Exemple de lissage exponentiel simple

Nous allons examiner si une méthode tendance serait mieux pour cette série plus tard dans ce chapitre. Quelle que soit la formule que vous utilisez cependant, vous devrez définir une observation initiale. Par exemple, prenez l`exemple 1 pour le point de données où t = 4. En fait, si nous devions continuer cette feuille de calcul et commencer à mettre en baisse les numéros de demande (en faisant une tendance à la baisse), vous voyez la baisse de la ligne de la demande, et la ligne de tendance se déplacer au-dessus avant de commencer à suivre la tendance à la baisse. Le «bruit» dans la demande est le même concept que le quotidien «sauter autour» des données de température. Ceci est connu comme «décalage de tendance» et est un effet secondaire du processus de lissage. Toutefois, une façon plus fiable et objective d`obtenir des valeurs pour les paramètres inconnus est de les estimer à partir des données observées. Nous présentons deux formes équivalentes de lissage exponentiel simple, chacune conduisant à l`équation de prévision (7. Les prévisions sont calculées à l`aide de moyennes pondérées, où les pondérations diminuent exponentiellement à mesure que les observations viennent de plus loin dans le passé — les plus petits poids sont associés aux observations les plus anciennes: [begin{Equation} hat{y}_{T + 1 | T} = alpha y_T + alpha (1-alpha) y_ {T-1} + alpha (1-alpha) ^ 2 y_ {T-2} + cdots, tag{7. Dans certains cas, les paramètres de lissage peuvent être choisis de manière subjective: le prévisionniste spécifie la valeur des paramètres de lissage en fonction de l`expérience précédente. La cellule active actuelle est la cellule M4 qui contient les prévisions pour la semaine 12. Le tableau ci-dessous montre la demande pour un nouvel après-rasage dans un magasin pour chacun des 7 derniers mois.

Par conséquent, la méthode naïve suppose que l`observation la plus récente est la seule importante, et toutes les observations précédentes ne fournissent aucune information pour l`avenir. Si vous êtes préoccupé par les valeurs aberrantes, alors déviation absolue moyenne pourrait être un meilleur choix. Prochaine place la formule = $B $21 * B4 + (1-$B $21) * G4 dans la cellule G5. Ce n`était pas parce qu`il a fait un meilleur travail de lissage que la moyenne mobile pondérée, c`était parce qu`il était plus facile de calculer dans un programme d`ordinateur. Vos exemples sont excellents! Si ce champ est laissé vide, il est par défaut. La grande valeur de (alpha) dans cet exemple est reflétée dans le grand ajustement qui se déroule dans le niveau estimé (ell_t) à chaque fois. Jonathan, supposons que nous placons les valeurs y prévues dans la colonne G. Si vous voulez prévoir que l`avenir n`est pas plat, vous devez utiliser une technique différente: e. tests de tableau de contrôle basés sur des moyennes mobiles géométriques. Ainsi, pour l`exemple 1, vous devez utiliser. Le facteur d`amortissement est juste 1 – α. Salut Jonathan, 1.

Le résultat est illustré à la figure 1. Nous exprimons ces pondérations sous forme de pourcentages, et le total de tous les poids pour toutes les périodes doit s`ajouter jusqu`à 100%. Lorsque vous utilisez l`historique de la demande pour projeter la demande future (et surtout la tendance future), il est logique de conclure que vous aimeriez que l`histoire plus récente ait un impact plus important sur vos prévisions.

Comments are closed.