Beteken Absolute Afwyking Bewegende Gemiddelde

Hoe bedoel jy absolute afwyking bereken die gemiddelde absolute afwyking bereken drie eenvoudige stappe. 1) Bepaal die gemiddeld: Voeg al die syfers en deel dit deur die telling voorbeeld: die gewigte van die volgende drie mense, aangedui deur letters is A - 56 kg B - 78 kg C - 90 kg Gemiddelde (567890) / 3 74,6 2) Bepaal afwyking van elke veranderlike van die gemiddelde dws 56-74,6 -18,67 78-74,6 3,33 90-74,6 15,33 3) Maak die afwyking absolute deur kwadratuur en die bepaling van die wortels di elimineer die negatiewe aspek So het die gemiddelde absolute afwyking (18,67 3.3315.33) / 3 12,44 Alternatiewelik. jy kan die Excel formule AVEDEV (56,78,90) gebruik om die resultaat te verkry. Verskillende metodes Daar is verskillende formules vir die berekening van die gemiddelde absolute afwyking. Byvoorbeeld beteken absolute afwyking van gemiddelde en beteken absolute afwyking van gemiddelde. Net so die formules vir gegroepeerde en ongegroepeerde data is ook anders. Met die oog op die berekening van die gemiddelde absolute afwyking van gemiddelde sien en beteken absolute afwyking van gemiddelde vir beide gegroepeer en ongegroepeer data besoek die skakel hieronder. Kom ons kyk na die voorbeeld. In die eerste plek moet jy besluit, wat ek die berekening van die gemiddelde absolute afwyking van dit sal die gemiddelde wees, die modus of die mediaan (Dit kan enige maatstaf van wat statistici oproep plek of sentrale neiging te wees.) Vir geen goeie rede behalwe dat sy vertroud met die meeste mense laat my kies die gemiddelde van die steekproef. Dit bewys te wees 5. Nou is ons die absolute afwyking van elke monster element van die gemiddelde nodig. Let daarop dat hierdie is die afstande tussen die gemiddelde en die monster elemente. Die som van hierdie is 18 dan hul gemiddelde is 18/5 3.6. So het die gemiddelde absolute afwyking (vanaf die gemiddelde) is 3,6. Met ander woorde, die monster punte is, gemiddeld 3,6 eenhede van die gemiddelde. Vir meer inligting besoek die Verwante skakels. In die eerste plek moet jy die gemiddelde te bepaal. Die gemiddelde van 'n lys van getalle is die som van die getalle gedeel deur die hoeveelheid items in die lys (lees: Tel al die getalle hellip up en deel dit deur hoeveel daar is). Dan trek die gemiddelde van elke nommer die lys van afwykings te kry. Maak 'n lys van hierdie getalle. Die OK om negatiewe getalle hier te kry. Volgende, 'n vierkant die gevolglike lys van getalle (lees: hulle vermenigvuldig met hulself). Tel al die gevolglike blokkies om hul totale bedrag te kry. Verdeel jou gevolg deur een minder as die aantal items in die lys. Om die standaardafwyking te kry, net neem die vierkantswortel van die gevolglike aantal Voorbeeld: jou lys van getalle: 1, 3, 4, 6, 9, 19 gemiddelde: (1346919) / 6 42/6 7 lys van afwykings: -6 , -4, -3, -1, 2, 12 vierkante van afwykings: 36, 16, 9, 1, 4, 144 som van afwykings: 3616914144 210 gedeel deur een minder as die aantal items in die lys: 210/5 42 vierkantswortel van hierdie nommer: vierkantswortel (42) oor 6,48 (More) 30 mense het gevind dat hierdie usefulHow om Absolute Afwyking (en gemiddelde Absolute afwyking) Bereken eers moet ons die gemiddelde monster vind. Daar is drie verskillende maniere dit kan gedoen word. Die eerste is deur die vind van die gemiddelde. Om uit te vind die gemiddelde van al die monsters en deel saam te voeg deur die aantal monsters. Byvoorbeeld, as jou monsters is 2, 2, 4, 5, 5, 5, 9, 10, 12 jy sal hulle voeg en kry 'n totaal van 54. verdeel dan deur die aantal monsters (9) en jy sal 'n gemiddelde bereken van 6. die tweede metode van berekening van die gemiddelde is deur die gebruik van mediaan. Reël die monsters in volgorde van die laagste tot die hoogste, en vind die middelste getal. Van die monster bo 5. sou wees Die derde metode van berekening van die gemiddelde monster is deur die vind van die modus. Die modus is wat ooit monster kom die meeste. In die oorspronklike saak 5 plaasvind 3 keer wat dit die modus. Nou kan ons die absolute afwyking te bereken. As ons na die absolute afwyking te bereken uit die gemiddeld neem ons die gemiddelde gemiddelde (6) en vind die verskil tussen dit en 'n monster. As ons die eerste voorbeeld (2) te neem en bereken die absolute afwyking sou die gevolg 4. Vir die laaste voorbeeld (12) die absolute afwyking is 6. Let daarop dat dit altyd positief wees. Jy kan die Gemiddelde Absolute Afwyking bereken deur die vind van die absolute afwyking van elke monster en hulle gemiddeld. As ons die oorspronklike reeks: 2, 2, 4, 5, 5, 5, 9, 10, 12 ons kan die absolute afwyking van die gemiddelde te bereken vir elke monster omdat ons weet dat die gemiddelde is 6. In dieselfde volgorde die absolute afwykings van ons monsters sal 4,4,2,1,1,1,3,4,6 wees. Ons kan dan die gemiddelde van hierdie getalle en bereken die gemiddelde absolute afwyking as 2,888. Wat beteken dat die gemiddelde monster 2,888 van die mean.3 Verstandhouding Voorspelling vlakke en metodes wat jy kan beide detail (enkele item) voorspellings en opsomming (produk lyn) voorspel dat die vraag produk patrone weerspieël genereer. Die stelsel ontleed verlede verkope voorspellings bereken deur gebruik te maak van 12 vooruitskatting metodes. Die voorspellings sluit detail inligting op die item vlak en 'n hoër vlak inligting oor 'n tak of die maatskappy as 'n geheel. 3.1 Voorspelling Performance Evalueringskriteria Afhangende van die keuse van die verwerking opsies en op tendense en patrone in die verkope data, sommige voorspelling metodes beter presteer as ander vir 'n gegewe historiese datastel. 'N vooruitskatting metode wat geskik is vir 'n produk kan nie geskik is vir 'n ander produk. Jy mag vind dat 'n vooruitskatting metode wat goeie resultate lewer in 'n stadium van 'n produk se lewensiklus toepaslike deur die hele lewensiklus bly. Jy kan kies tussen twee metodes om die huidige prestasie van die voorspelling metodes te evalueer: Persentasie van akkuraatheid (POA). Beteken absolute afwyking (MAD). Beide van hierdie prestasie-evaluering metodes vereis historiese verkope data vir 'n tydperk wat jy spesifiseer. Hierdie tydperk staan ​​bekend as 'n holdout tydperk of periode van beste passing. Die data in hierdie tydperk word gebruik as die grondslag vir die aanbeveling wat vooruitskatting metode om te gebruik in die maak van die volgende voorspelling projeksie. Hierdie aanbeveling is spesifiek vir elke produk en kan van een voorspelling generasie na die volgende. 3.1.1 beste pas by die stelsel beveel die beste passing voorspelling deur die toepassing van die gekose voorspelling metodes om die verlede verkope orde geskiedenis en vergelyk die voorspelling simulasie van die werklike geskiedenis. As jy 'n beste passing voorspelling genereer, die stelsel vergelyk werklike verkope orde geskiedenis om voorspellings vir 'n spesifieke tydperk en bere hoe akkuraat elke verskillende vooruitskatting metode voorspel verkope. Toe beveel die stelsel die mees akkurate voorspelling as die beste passing. Dit grafiese illustreer beste passing voorspellings: Figuur 3-1 Beste pas voorspel Die stelsel maak gebruik van hierdie reeks stappe om die beste passing te bepaal: Gebruik elke gespesifiseerde metode om 'n voorspelling vir die holdout tydperk na te boots. Vergelyk werklike verkope aan die gesimuleerde voorspellings vir die holdout tydperk. Bereken die POA of die MAD om te bepaal watter vooruitskatting metode die meeste ooreenstem met die verlede werklike verkope. Die stelsel maak gebruik van óf POA of mal, gebaseer op die verwerking opsies wat jy kies. Beveel die beste passing voorspelling deur die POA wat die naaste aan 100 persent (bo of onder) of die MAD wat die naaste aan nul. 3.2 Vooruitskatting Metodes JD Edwards EnterpriseOne Voorspelling Bestuur gebruik 12 metodes vir kwantitatiewe vooruitskatting en dui aan watter metode bied die beste geskik is vir die voorspelling situasie. Hierdie afdeling bespreek: Metode 1: Persentasie teenoor verlede jaar. Metode 2: Bereken persent teenoor verlede jaar. Metode 3: verlede jaar tot vanjaar. Metode 4: Moving Gemiddelde. Metode 5: Lineêre benadering. Metode 6: kleinstekwadrate-regressielyn. Metode 7: tweede graad benadering. Metode 8: buigbare metode. Metode 9: Geweegde bewegende gemiddelde. Metode 10: Lineêre Smoothing. Metode 11: Eksponensiële Smoothing. Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit. Spesifiseer die metode wat jy wil gebruik in die verwerking opsies vir die voorspelling Generation program (R34650). Die meeste van hierdie metodes te voorsien beperkte beheer. Byvoorbeeld, kan die gewig geplaas op onlangse historiese data of die datum bereik van historiese data wat gebruik word in die berekeninge word bepaal deur jou. Die voorbeelde in die handleiding dui die prosedure te kan uitvoer vir elk van die beskikbare voorspelling metodes, gegee 'n identiese stel historiese data. Die metode voorbeelde in die gids gebruik deel van of al hierdie datastelle wat historiese data van die afgelope twee jaar. Die voorspelling projeksie gaan in die volgende jaar. Dit verkope geskiedenis data is stabiel met klein seisoenale styging in Julie en Desember. Hierdie patroon is kenmerkend van 'n volwasse produk wat dalk nader veroudering. 3.2.1 Metode 1: Persentasie teenoor verlede jaar Hierdie metode maak gebruik van die persent meer as verlede jaar formule aan elke voorspelling tydperk deur die gespesifiseerde persentasie toename of afname vermeerder. Om die vraag te voorspel, hierdie metode vereis dat die getal periodes vir die beste passing plus een jaar van verkope geskiedenis. Hierdie metode is nuttig om die vraag na seisoenale items met groei of afname voorspel. 3.2.1.1 Voorbeeld: Metode 1: persent oor verlede jaar het die persent meer as verlede jaar formule vermeerder verkope data van die vorige jaar met 'n faktor wat jy spesifiseer en dan projekte wat lei oor die volgende jaar. Hierdie metode dalk wees bruikbare in begrotings te boots die invloed van 'n bepaalde groeikoers of wanneer verkope geskiedenis het 'n beduidende seisoenale komponent. Voorspelling spesifikasies: Vermenigvuldiging faktor. Byvoorbeeld, spesifiseer 110 in die verwerking opsie om die vorige jaar verkope geskiedenis data te verhoog met 10 persent. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling, plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing) wat jy spesifiseer. Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Februarie voorspel gelyk 117 keer 1.1 128,7 afgerond tot 129. Maart voorspel gelyk 115 keer 1.1 126,5 afgerond tot 127. 3.2.2 Metode 2: Bereken persent teenoor verlede jaar hierdie metode gebruik die berekende persent oor verlede jaar formule om die verlede verkope van vermelde tydperke te vergelyk met verkope van dieselfde tydperke van die vorige jaar. Die stelsel bepaal 'n persentasie toename of afname, en dan vermenigvuldig elke tydperk deur die persentasie die voorspelling te bepaal. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes van verkope orde geskiedenis plus een jaar van verkope geskiedenis. Hierdie metode is nuttig om kort vraag term vir seisoenale items met groei of afname voorspel. 3.2.2.1 Voorbeeld: Metode 2: Bereken persent teenoor verlede jaar die berekende Persent teenoor verlede jaar formule vermeerder verkope data van die vorige jaar met 'n faktor wat bereken word deur die stelsel, en dan projekteer dat resultaat vir die volgende jaar. Hierdie metode dalk nuttig in projekteer die invloed van die uitbreiding van die onlangse groeikoers vir 'n produk in die volgende jaar, terwyl die behoud van 'n seisoenale patroon wat in die verkope geskiedenis is nie. Voorspelling spesifikasies: Range van verkope geskiedenis om te gebruik in die berekening van die groeikoers. Byvoorbeeld, spesifiseer N gelyk 4 in die verwerking opsie om verkope geskiedenis vergelyk vir die mees onlangse vier tydperke vir diegene dieselfde vier tydperke van die vorige jaar. Gebruik die berekende verhouding tot die projeksie te maak vir die volgende jaar. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening, gegewe N 4: Februarie voorspel gelyk 117 keer 0,9766 114,26 afgerond tot 114. Maart voorspel gelyk 115 keer 0,9766 112,31 afgerond tot 112. 3.2.3 Metode 3: verlede jaar tot die Jaar Die metode gebruik laaste jaar verkope vir die volgende jaar voorspel. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes beste passing plus een jaar van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na volwasse produkte met die vraag vlak of seisoenale vraag sonder 'n tendens voorspel. 3.2.3.1 Voorbeeld: Metode 3: verlede jaar tot vanjaar het die verlede jaar tot vanjaar se Formule kopieë verkoop data van die vorige jaar tot die volgende jaar. Hierdie metode dalk nuttig in die begroting om verkope te boots by die huidige vlak wees. Die produk is volwasse en het geen tendens oor die lang termyn, maar 'n beduidende seisoenale vraag patroon mag bestaan. Voorspelling spesifikasies: Geen. Vereis verkope geskiedenis: Een jaar vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel gelyk Januarie verlede jaar met 'n voorspelling van 128. Februarie voorspel gelyk Februarie verlede jaar met 'n voorspelling waarde van 117. Maart voorspel gelyk Maart verlede jaar met 'n voorspelling waarde van 115. 3.2.4 metode 4: Moving Gemiddelde Hierdie metode maak gebruik van die bewegende gemiddelde formule om die gespesifiseerde aantal periodes gemiddeld tot die volgende tydperk projekteer. Jy moet herbereken dit dikwels (maandeliks, of ten minste kwartaalliks) om te besin veranderende vraag vlak. Om die vraag te voorspel, hierdie metode vereis dat die aantal periodes beste passing plus die aantal periodes van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na volwasse produkte sonder 'n tendens voorspel. 3.2.4.1 Voorbeeld: Metode 4: Moving Gemiddelde bewegende gemiddelde (MA) is 'n gewilde metode vir gemiddeld die resultate van onlangse verkope geskiedenis om 'n projeksie vir die kort termyn te bepaal. Die MA-vooruitskatting metode loop agter tendense. Voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte wat in die groei of veroudering stadiums van die lewensiklus. Voorspel spesifikasies: N is gelyk aan die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 4 in die opsie verwerking tot die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. Dit lei tot 'n stabiele vooruitsig, maar is traag om skofte te erken in die vlak van verkope. Aan die ander kant, 'n klein waarde vir N (soos 3) is vinniger om te reageer op veranderinge in die vlak van verkope, maar die voorspelling kan so wyd dat produksie nie kan reageer op die verskille wissel. Vereis verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Februarie voorspel gelyk (114 119 137 125) / 4 123,75 afgerond tot 124. Maart voorspel gelyk (119 137 125 124) / 4 126,25 afgerond tot 126. 3.2.5 Metode 5: Lineêre die aanpassing hierdie metode maak gebruik van die Lineêre die aanpassing formule om 'n tendens van die aantal periodes van verkope orde geskiedenis bereken en om hierdie tendens om die voorspelling te projekteer. Jy moet die tendens maandelikse herbereken om veranderinge in tendense te bespeur. Hierdie metode vereis dat die aantal periodes van beste passing plus die aantal vermelde tydperke van verkope orde geskiedenis. Hierdie metode is nuttig om die vraag na nuwe produkte, of produkte met 'n steeds positief of negatief tendense wat nie as gevolg van seisoenale skommelinge voorspel. 3.2.5.1 Voorbeeld: Metode 5: Lineêre die aanpassing Lineêre die aanpassing bereken 'n tendens wat gebaseer is op twee verkope geskiedenis datapunte. Dié twee punte definieer 'n reguit tendens lyn wat geprojekteer in die toekoms. Gebruik hierdie metode met omsigtigheid, want 'n lang reeks voorspellings is aged deur klein veranderinge in net twee datapunte. Voorspel spesifikasies: N is gelyk aan die data punt in verkope geskiedenis wat in vergelyking met die mees onlangse data dui op 'n tendens te identifiseer. Byvoorbeeld, spesifiseer N 4 om die verskil tussen Desember (mees onlangse data) en Augustus te gebruik (vier periodes voor Desember) as die basis vir die berekening van die tendens. Minimum vereiste verkope geskiedenis: N plus 1 plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel Desember van verlede jaar 1 (Trend) wat 137 is gelyk aan (1 keer 2) 139. Februarie voorspel Desember van verlede jaar 1 (Trend) wat 137 (2 keer 2) 141 gelyk. Maart voorspel Desember van verlede jaar 1 (Trend) wat gelyk 137 (3 keer 2) 143. 3.2.6 metode 6: kleinstekwadrate-regressielyn die kleinstekwadrate regressie (LSR) metode is afgelei van 'n vergelyking beskryf 'n reguit lyn tussen die historiese verkope data en die verloop van tyd. LSR pas 'n lyn om die geselekteerde data sodat die som van die kwadrate van die verskille tussen die werklike verkope datapunte en die regressielyn is tot die minimum beperk. Die voorspelling is 'n projeksie van die reguit lyn in die toekoms. Hierdie metode vereis verkope data geskiedenis vir die tydperk wat deur die aantal periodes beste passing plus die gespesifiseerde aantal historiese data tydperke. Die minimum vereiste is twee historiese data punte. Hierdie metode is nuttig om die vraag te voorspel wanneer 'n lineêre tendens is in die data. 3.2.6.1 Voorbeeld: Metode 6: kleinstekwadrate-regressielyn lineêre regressie, of kleinstekwadrate-regressielyn (LSR), is die gewildste metode vir die identifisering van 'n lineêre neiging in historiese verkope data. Die metode word bereken dat die waardes vir a en b te gebruik in die formule: Hierdie vergelyking beskryf 'n reguit lyn, waar y verkope en X verteenwoordig tyd. Lineêre regressie is traag om draaipunte en stap funksie skofte erken in aanvraag. Lineêre regressie pas 'n reguit lyn na die data, selfs wanneer die data is seisoenaal of beter beskryf deur 'n kromme. Wanneer verkope geskiedenis data volg op 'n kurwe of 'n sterk seisoenale patroon, voorspel vooroordeel en sistematiese foute. Voorspel spesifikasies: N is gelyk aan die tydperke van verkope geskiedenis wat gebruik sal word in die berekening van die waardes vir a en b. Byvoorbeeld, spesifiseer N 4 tot die geskiedenis van September gebruik tot Desember as die basis vir die berekening. Wanneer data beskikbaar is, sal 'n groter N (soos N 24) gewoonlik gebruik word. LSR definieer 'n lyn vir so min as twee datapunte. Vir hierdie voorbeeld, 'n klein waarde vir N (N 4) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Minimum vereiste verkope geskiedenis: N tydperke plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Maart voorspel gelyk 119,5 (7 keer 2.3) 135,6 afgerond tot 136. 3.2.7 Metode 7: tweede graad benadering tot die voorspelling projekteer, hierdie metode maak gebruik van die tweede graad aanpassing formule om 'n kurwe plot wat gebaseer is op die aantal periodes van verkope geskiedenis. Hierdie metode vereis dat die aantal periodes beste passing plus die aantal periodes van verkope orde geskiedenis maal drie. Hierdie metode is nie bruikbaar vir die vraag na 'n tydperk langtermyn voorspel. 3.2.7.1 Voorbeeld: Metode 7: tweede graad aanpassing lineêre regressie bepaal waardes vir a en b in die vooruitsig formule Y A B X met die doel van pas 'n reguit lyn na die verkope geskiedenis data. Tweede graad benadering is soortgelyk, maar hierdie metode bepaal waardes vir a, b, en c in die hierdie voorspelling formule: Y A B X c X 2 Die doel van hierdie metode is om 'n kurwe na die verkope geskiedenis data te pas. Hierdie metode is nuttig wanneer 'n produk is in die oorgang tussen lewensiklus stadiums. Byvoorbeeld, wanneer 'n nuwe produk beweeg van inleiding tot groeistadiums, kan die verkope tendens versnel. As gevolg van die tweede orde termyn, kan die voorspelling vinnig nader oneindigheid of daal tot nul (afhangende van of koëffisiënt c positief of negatief). Hierdie metode is net nuttig in die kort termyn. Voorspelling spesifikasies: die formule te vind a, b, en c aan 'n kromme presies drie punte aan te pas. Jy spesifiseer N, die aantal tydperke van data te versamel in elk van die drie punte. In hierdie voorbeeld is N 3. werklike verkope data vir April tot Junie gekombineer in die eerste punt, Q1. Julie tot September word bymekaar getel om die 2de kwartaal skep, en Oktober tot Desember som tot Q3. Die kurwe is toegerus om die drie waardes Q1, Q2, en Q3. Vereis verkope geskiedenis: 3 keer n periodes vir die berekening van die voorspelling plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Q0 (Jan) (Februarie) (Maart) Q1 (April) (Mei) (Junie) wat 125 122 137 384 Q2 gelyk (Julie) (Augustus) (September) wat 140 129 is gelyk aan 131 400 Q3 (Oktober) (November) (Desember) wat gelyk 114 119 137 370 die volgende stap behels die berekening van die drie koëffisiënte a, b, en C om gebruik te word in die voorspelling formule Y AB X c X 2. Q1, Q2, en Q3 word op die grafiese, waar tyd word op die horisontale as. Q1 verteenwoordig totale historiese verkope vir April, Mei en Junie en is geplot op X 1 Q2 ooreenstem met Julie tot September Q3 ooreenstem met Oktober tot Desember en Q4 verteenwoordig Januarie tot Maart. Dit grafiese illustreer die plot van Q1, Q2, Q3 en Q4 vir die tweede graad benadering: Figuur 3-2 Plot Q1, Q2, Q3 en Q4 vir die tweede graad benadering Drie vergelykings beskryf die drie punte op die grafiek: (1) Q1 'n bX CX 2 waar X 1 (Q1 ABC) (2) Q2 n bX CX 2 waar X 2 (2de kwartaal 'n 2b 4C) (3) Q3 n bX CX 2 waar X 3 (V3 n 3b 9c) Los die drie vergelykings gelyktydig om b, a, en c te vind: Trek vergelyking 1 (1) van vergelyking 2 (2) en op te los vir b: (2) uitvoering maak (1) Q2 uitvoering maak Q1 b 3c b (Q2 uitvoering maak Q1) uitvoering maak 3c Plaasvervanger hierdie vergelyking vir b in vergelyking (3): (3) Q3 n 3 (Q2 uitvoering maak Q1) uitvoering maak 3c 9c n Q3 uitvoering maak 3 (Q2 uitvoering maak Q1) Ten slotte, vervang hierdie vergelykings vir a en b in vergelyking (1): (1) Q3 ndash 3 (Q2 uitvoering maak Q1) (Q2 uitvoering maak Q1) uitvoering maak 3c c Q1 c (Q3 uitvoering maak Q2) (Q1 uitvoering maak Q2) / 2 Die tweede graad aanpassing metode bereken a, b, en c soos volg: 'n Q3 uitvoering maak 3 (Q2 ndash Q1) 370 ndash 3 (400 ndash 384) 370 ndash 3 (16) 322 b (Q2 uitvoering maak Q1) ndash3c (400 ndash 384) uitvoering maak (3 keer ndash23) 16 69 85 c (Q3 uitvoering maak Q2) (Q1 uitvoering maak Q2) / 2 (370 ndash 400) (384 ndash 400) / 2 ndash23 Dit is 'n berekening van die tweede graad benadering vooruitsig: Y 'n bX CX 2 322 85 X (ndash23) (X 2) Wanneer X 4, K4 322 340 ndash 368 294. Die voorspelling gelyk 294/3 98 per periode. Wanneer X 5, V5 322 425 ndash 575 172. Die voorspelling is gelyk 172/3 58,33 afgerond tot 57 per periode. Wanneer X 6, V6 322 510 ndash 828 4. Die voorspelling is gelyk aan 4/3 1.33 afgerond tot 1 per periode. Dit is die vooruitsig vir die volgende jaar, verlede jaar tot hierdie jaar: 3.2.8 Metode 8: Veelsydige Hierdie metode maak dit moontlik om die beste passing aantal periodes van verkope orde geskiedenis wat begin N maande voor die vooruitsig begin datum kies, en om pas 'n persentasie verhoging of vermenigvuldiging faktor waarmee die voorspelling verander afneem. Hierdie metode is soortgelyk aan Metode 1, persent oor verlede jaar, behalwe dat jy die aantal periodes wat jy gebruik as die basis kan spesifiseer. Afhangende van wat jy as N kies, hierdie metode vereis tydperke beste passing plus die aantal periodes van verkope data wat aangedui. Hierdie metode is nuttig om die vraag na 'n beplande ontwikkeling voorspel. 3.2.8.1 Voorbeeld: Metode 8: buigbare metode Die buigbare metode (persent oor N maande voor) is soortgelyk aan Metode 1, persent oor verlede jaar. Beide metodes vermeerder verkope data uit 'n vorige tydperk met 'n faktor wat deur julle, en dan projek wat lei na die toekoms. In die persent meer as verlede jaar metode, is die projeksie gebaseer op data van die dieselfde tydperk in die vorige jaar. Jy kan ook die buigbare metode gebruik om 'n tydperk, ander as in dieselfde tydperk in die vorige jaar spesifiseer, te gebruik as die basis vir die berekening. Vermenigvuldigingsfaktor. Byvoorbeeld, spesifiseer 110 in die verwerking opsie om vorige verkope geskiedenis data te verhoog met 10 persent. Basistydperk. Byvoorbeeld, N 4 veroorsaak dat die eerste skatting moet gebaseer wees op die verkope data in September verlede jaar. Minimum vereiste verkope geskiedenis: die aantal periodes terug na die basis tydperk plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.9 Metode 9: Geweegde bewegende gemiddelde geweegde bewegende gemiddelde formule is soortgelyk aan Metode 4, bewegende gemiddelde formule, want dit gemiddeldes die vorige maande verkope geskiedenis na die volgende maande verkope geskiedenis projekteer. Maar met hierdie formule kan jy gewigte toewys vir elk van die vorige tydperke. Hierdie metode vereis dat die getal gekies geweegde tydperke plus die aantal periodes beste passing data. Soortgelyk aan bewegende gemiddelde, hierdie metode loop agter tendense vraag, sodat hierdie metode word nie aanbeveel vir produkte met 'n sterk tendense of seisoenaliteit. Hierdie metode is nuttig om die vraag na volwasse produkte met die vraag wat relatief vlak voorspel. 3.2.9.1 Voorbeeld: Metode 9: Geweegde bewegende gemiddelde geweegde metode bewegende gemiddelde (WBA) is soortgelyk aan Metode 4, bewegende gemiddelde (MA). Jy kan egter ongelyke gewigte toewys aan die historiese data by die gebruik van WBG. Die metode bereken 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Meer onlangse data word gewoonlik toegeken 'n groter gewig as ouer data, sodat WBG is meer ontvanklik vir skofte in die vlak van verkope. Maar voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendense of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte in die groei of veroudering stadiums van die lewensiklus. Die aantal periodes van verkope geskiedenis (N) te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N 4 in die opsie verwerking tot die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. 'N Groot waarde vir N (soos 12) vereis meer verkope geskiedenis. So 'n waarde resultate in 'n stabiele vooruitsig, maar dit is stadig om skofte te erken in die vlak van verkope. Aan die ander kant, 'n klein waarde vir N (soos 3) reageer vinniger te verskuiwings in die vlak van verkope, maar die voorspelling kan so wyd dat produksie kan nie reageer op die verskille wissel. Die gewig wat aan elk van die historiese data tydperke. Die opgedra gewigte moet totaal 1.00. Byvoorbeeld, wanneer n 4, gewigte van 0.50, 0.25, 0.15, en 0.10 toewys met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: Januarie voorspel gelyk (131 keer 0.10) (114 keer 0,15) (119 keer 0,25) (137 keer 0.50) / (0.10 0.15 0.25 0.50) 128,45 afgerond tot 128. Februarie voorspel gelyk (114 tye 0.10) (119 keer 0,15) (137 keer 0,25) (128 keer 0.50) / 1 127,5 afgerond tot 128. Maart voorspel gelyk (119 keer 0.10) (137 keer 0,15) (128 keer 0,25) (128 keer 0.50) / 1 128,45 afgerond tot 128. 3.2.10 metode 10: Lineêre Smoothing Hierdie metode bereken 'n geweegde gemiddelde van die verlede verkope data. In die berekening van hierdie metode gebruik die aantal periodes van verkope orde geskiedenis (van 1 tot 12) wat aangedui in die opsie verwerking. Die stelsel maak gebruik van 'n wiskundige vordering om data in die reeks van die eerste (minste gewig) tot die finale (die meeste gewig) weeg. Dan projekte die stelsel hierdie inligting aan elke tydperk in die vooruitsig. Hierdie metode vereis dat die maande beste passing plus die verkope orde geskiedenis vir die aantal periodes wat vermeld in die opsie verwerking. 3.2.10.1 Voorbeeld: Metode 10: Lineêre Smoothing Hierdie metode is soortgelyk aan Metode 9, WBG. Maar in plaas van na willekeur toeken gewigte aan die historiese data, 'n formule word gebruik om gewig wat lineêr afneem toewys en som tot 1.00. Die metode bereken dan 'n geweegde gemiddelde van die afgelope verkope geskiedenis te kom by 'n projeksie vir die kort termyn. Soos alle lineêre bewegende gemiddelde vooruitskatting tegnieke, voorspelling vooroordeel en sistematiese foute kom voor wanneer die produk verkoop geskiedenis uitbeeld sterk tendens of seisoenale patrone. Hierdie metode werk beter vir 'n kort reeks voorspellings van volwasse produkte as vir produkte in die groei of veroudering stadiums van die lewensiklus. N is gelyk aan die aantal periodes van verkope geskiedenis om te gebruik in die vooruitsig berekening. Byvoorbeeld, spesifiseer N gelyk 4 in die verwerking opsie om die mees onlangse vier tydperke gebruik as die grondslag vir die projeksie in die volgende tydperk. Die stelsel ken outomaties die gewigte na die historiese data wat lineêr afneem en som tot 1.00. Byvoorbeeld, wanneer n gelyk 4, die stelsel wys gewigte van 0.4, 0.3, 0.2, en 0.1, met die mees onlangse data ontvangs van die grootste gewig. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.11 Metode 11: Eksponensiële Smoothing hierdie metode bereken 'n reëlmatige gemiddelde, wat 'n skatting wat die algemene vlak van verkope oor die gekose historiese data tydperke raak. Hierdie metode vereis verkope data geskiedenis vir die tydperk wat deur die aantal periodes beste passing plus die aantal historiese data tydperke wat vermeld. Die minimum vereiste is twee historiese data tydperke. Hierdie metode is nuttig om die vraag te voorspel wanneer daar geen lineêre tendens is in die data. 3.2.11.1 Voorbeeld: Metode 11: Eksponensiële Smoothing Hierdie metode is soortgelyk aan Metode 10, Lineêre Smoothing. In Lineêre Smoothing, die stelsel wys gewigte wat lineêr afneem om die historiese data. In Eksponensiële Smoothing, die stelsel wys gewigte wat eksponensieel verval. Die vergelyking vir Eksponensiële Smoothing voorspelling is: Voorspelling alfa (Vorige werklike verkope) (1 ndashalpha) (vorige skatting) Die voorspelling is 'n geweegde gemiddeld van die werklike verkope van die vorige tydperk en die voorspelling van die vorige tydperk. Alpha is die gewig wat toegepas word om die werklike verkope vir die vorige tydperk. (1 uitvoering maak alfa) is die gewig wat toegepas word om die voorspelling vir die vorige tydperk. Waardes vir Alpha reeks 0-1 en val gewoonlik tussen 0.1 en 0.4. Die som van die gewigte is 1.00 (alfa (1 uitvoering maak alfa) 1). Jy moet 'n waarde vir die glad konstante, Alpha toewys. As jy nie 'n waarde vir die glad konstante hoef te ken, die stelsel bereken 'n veronderstelde waarde wat gebaseer is op die aantal periodes van verkope geskiedenis wat vermeld in die opsie verwerking. Alpha is gelyk aan die smoothing konstante wat gebruik word om die reëlmatige gemiddelde te bereken vir die algemene vlak of omvang van verkope. Waardes vir Alpha wissel van 0 tot 1. N gelyk aan die omvang van verkope geskiedenis data in die berekeninge te sluit. Oor die algemeen, 'n jaar van verkope geskiedenis data is voldoende om die algemene vlak van verkope te skat. Vir hierdie voorbeeld, 'n klein waarde vir N (N 4) is gekies om die handleiding berekeninge wat nodig is om die resultate te verifieer verminder. Eksponensiële Smoothing kan 'n voorspelling wat gebaseer is op so min as een historiese data punt te genereer. Minimum vereiste verkope geskiedenis: N plus die aantal tydperke wat nodig is vir die evaluering van die voorspelling prestasie (tydperke van beste passing). Hierdie tabel is geskiedenis wat in die vooruitsig berekening: 3.2.12 Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit hierdie metode bereken 'n tendens, 'n seisoenale indeks, en 'n eksponensieel stryk gemiddelde van die verkope orde geskiedenis. Die stelsel is van toepassing dan 'n projeksie van die tendens om die voorspelling en pas vir die seisoenale indeks. Hierdie metode vereis dat die aantal periodes beste passing plus twee jaar van verkope data, en het groot waarde om items wat beide tendens en seisoenaliteit in die vooruitsig het. Jy kan die alfa en beta faktor betree, of het die stelsel te bereken nie. Alpha en Beta faktore is die glad konstante wat die stelsel gebruik om die reëlmatige gemiddelde te bereken vir die algemene vlak of omvang van verkope (alfa) en die tendens komponent van die voorspelling (beta). 3.2.12.1 Voorbeeld: Metode 12: Eksponensiële Smoothing met Trend en Seisoenaliteit Hierdie metode is soortgelyk aan Metode 11, eksponensiële Smoothing, in die sin dat 'n reëlmatige gemiddelde bereken word. Maar Metode 12 sluit ook 'n term in die vooruitskatting vergelyking met 'n reëlmatige tendens te bereken. Die voorspelling is saamgestel uit 'n reëlmatige gemiddelde wat aangepas vir 'n lineêre tendens. Wanneer vermeld in die opsie verwerking, is die voorspelling ook aangepas vir die seisoen. Alpha is gelyk aan die smoothing konstante wat gebruik word in die berekening van die reëlmatige gemiddelde vir die algemene vlak of omvang van verkope. Waardes vir Alpha wissel van 0 tot 1. Beta is gelyk aan die smoothing konstante wat gebruik word in die berekening van die reëlmatige gemiddelde vir die tendens komponent van die skatting. Waardes vir beta wissel van 0 tot 1. Of 'n seisoenale indeks is van toepassing op die skatting. Alpha en Beta is onafhanklik van mekaar. Hulle hoef nie te som tot 1.0. Minimum vereiste verkope geskiedenis: Een jaar plus die aantal tydperke wat nodig is om voorspellings oor die prestasie (tydperke van beste passing) te evalueer. Wanneer twee of meer jare van historiese data beskikbaar is, die stelsel maak gebruik van twee jaar van data in die berekeninge. Metode 12 gebruik twee Eksponensiële Smoothing vergelykings en 'n eenvoudige gemiddelde tot 'n reëlmatige gemiddelde, 'n reëlmatige tendens, en 'n eenvoudige gemiddelde seisoenale indeks te bereken. 'N eksponensieel stryk gemiddelde: 'n eksponensieel glad tendens: 'n Eenvoudige gemiddelde seisoensindeks: Figuur 3-3 eenvoudige gemiddelde seisoensindeks Die voorspelling word dan bereken word deur die resultate van die drie vergelykings: L is die lengte van seisoenaliteit (L gelyk 12 maande of 52 weke). t is die huidige tydperk. m is die aantal tydperke in die toekoms van die skatting. S is die multiplikatiewe seisoenale aanpassing faktor wat kruip na die toepaslike tydperk. MAD is 'n maatstaf van voorspelling fout. POA is 'n maatstaf van voorspelling vooroordeel. MAD is 'n maatstaf van die gemiddelde grootte van foute te verwag, gegewe 'n vooruitskatting metode en data geskiedenis. Omdat absolute waardes word gebruik in die berekening, moenie positiewe foute nie kanselleer negatiewe foute. Wanneer voorspellings is konsekwent te hoog, voorraad ophoop en voorraad koste styg. In dienste, die grootte van voorspelling foute is gewoonlik meer belangrik as wat voorspel vooroordeel. Sodra April8217s werklike verkope in te kom, sou jy dan bereken die voorspelling vir Mei, hierdie keer met behulp van Februarie tot April. Jy moet in ooreenstemming met die aantal periodes wat jy gebruik vir bewegende gemiddelde vooruitskatting wees. Die aantal periodes wat jy in jou bewegende gemiddelde voorspellings gebruik is arbitrêre jy mag slegs twee tydperke, of vyf of ses periodes wat ook al jy wil om jou voorspellings te genereer gebruik. bo die benadering is 'n eenvoudige bewegende gemiddelde. Soms, kan meer onlangse verkope months8217 wees sterker beïnvloeders van die komende month8217s verkope, so jy wil die nader maande meer gewig te gee in jou voorspelling model. Dit is 'n geweegde bewegende gemiddelde. En net soos die aantal periodes, die gewigte wat jy ken is bloot arbitrêre. Let8217s sê jy wou March8217s verkope gee 50 gewig, February8217s 30 gewig, en January8217s 20. Toe jou voorspelling vir April sal wees 127,000 (122,50) (134,30) (129,20) 127. Beperkings van bewegende gemiddelde metodes bewegende gemiddeldes word beskou as 'n 8220smoothing8221 voorspelling tegniek. Omdat you8217re neem 'n gemiddelde verloop van tyd, is jy sag (of glad uit) die gevolge van onreëlmatige gebeure binne die data. As gevolg hiervan, kan die gevolge van seisoenaliteit, sakesiklusse en ander ewekansige gebeure dramaties verhoog voorspelling fout. Neem 'n blik op 'n volle year8217s waarde van data, en vergelyk 'n 3-tydperk bewegende gemiddelde en 'n 5-tydperk bewegende gemiddelde: Let daarop dat in hierdie geval dat ek nie voorspellings het te skep nie, maar eerder gesentreer die bewegende gemiddeldes. Die eerste 3 maande bewegende gemiddelde is vir Februarie en it8217s die gemiddelde van Januarie, Februarie en Maart. Ek het ook 'n soortgelyke vir die 5-maande-gemiddelde. Nou 'n blik op die volgende grafiek: Wat doen jy sien is nie die drie-maande bewegende gemiddelde reeks baie gladder as die werklike verkope reeks en hoe oor die vyf maande bewegende gemiddelde It8217s selfs gladder. Dus, hoe meer tyd jy in jou bewegende gemiddelde gebruik, die gladder jou tyd reeks. Dus, vir vooruitskatting, 'n eenvoudige bewegende gemiddelde mag nie die mees akkurate metode wees. Bewegende gemiddelde metodes bewys baie waardevol wanneer you8217re probeer om die seisoenale, onreëlmatige, en sikliese komponente van 'n tydreeks te pak vir meer gevorderde voorspelling metodes, soos regressie en ARIMA, en die gebruik van bewegende gemiddeldes in ontbindende 'n tydreeks sal later aangespreek in die reeks. Die bepaling van die akkuraatheid van 'n bewegende gemiddelde Model Oor die algemeen, wil jy 'n vooruitskatting metode wat die minste foute tussen werklike en voorspelde resultate het. Een van die mees algemene maatstawwe van akkuraatheid voorspel die gemiddelde absolute afwyking (MAD). In hierdie benadering, vir elke tydperk in die tyd reeks waarvoor jy 'n voorspelling gegenereer, die absolute waarde van die verskil neem jou tussen wat period8217s werklike en geskatte waardes (die afwyking). Dan gemiddeld jy die absolute afwykings en jy kry 'n mate van jou verstand af. MAD kan nuttig wees in die besluit oor die aantal periodes wat jy gemiddeld en / of die hoeveelheid gewig wat jy op elke tydperk te plaas. Oor die algemeen, kies jy die een wat aanleiding gee tot die laagste MAD. Here8217s 'n voorbeeld van hoe MAD bereken: MAD is eenvoudig die gemiddeld van 8, 1, en 3. Bewegende Gemiddeldes: Recap By die gebruik van bewegende gemiddeldes vir vooruitskatting, onthou: bewegende gemiddeldes kan eenvoudig wees of geweeg Die aantal periodes wat jy gebruik vir jou gemiddelde, en enige gewigte jy toewys aan elke streng arbitrêre bewegende gemiddeldes glad onreëlmatige patrone in tydreeksdata hoe groter die aantal periodes gebruik word vir elke datapunt, hoe groter is die smoothing effek As gevolg van glad, voorspel volgende month8217s verkope gebaseer op die mees onlangse verkope paar month8217s kan lei tot groot afwykings as gevolg van seisoenaliteit, sikliese, en onreëlmatige patrone in die data en die smoothing vermoëns van 'n bewegende gemiddelde metode kan nuttig wees in die ontbindende 'n tydreeks vir meer gevorderde voorspelling metodes wees. Volgende Week: Eksponensiële Smoothing In volgende week8217s Voorspelling Vrydag. Ons sal eksponensiële gladstryking metodes te bespreek, en jy sal sien dat hulle baie beter as bewegende gemiddelde vooruitskatting metodes kan wees.