Moving Average Forecasting Introdução. Como você pode imaginar, estamos olhando para algumas das abordagens mais primitivas para a previsão. Mas espero que estas sejam pelo menos uma introdução interessante a algumas das questões de computação relacionadas à implementação de previsões em planilhas. Neste sentido, vamos continuar a partir do início e começar a trabalhar com previsões de média móvel. Previsões médias móveis. Todo mundo está familiarizado com as previsões de média móvel, independentemente de eles acreditam que são. Todos os estudantes universitários fazê-los o tempo todo. Pense nas suas pontuações dos testes num curso em que vai ter quatro testes durante o semestre. Vamos supor que você tem um 85 em seu primeiro teste. O que você poderia prever para sua pontuação do segundo teste O que você acha que seu professor iria prever para a sua próxima pontuação de teste O que você acha que seus amigos podem prever para a sua próxima pontuação de teste O que você acha que seus pais podem prever para sua pontuação próxima teste Independentemente de Todo o blabbing você pôde fazer a seus amigos e pais, eles e seu professor são muito prováveis esperar que você comece algo na área do 85 que você começou apenas. Bem, agora vamos supor que, apesar de sua auto-promoção para seus amigos, você superestimar-se e figura que você pode estudar menos para o segundo teste e assim você começa um 73. Agora o que são todos os interessados e despreocupado vai Antecipar você vai chegar em seu terceiro teste Existem duas abordagens muito provável para que eles desenvolvam uma estimativa, independentemente de se eles vão compartilhar com você. Eles podem dizer a si mesmos: "Esse cara está sempre soprando fumaça sobre suas espertinas. Hes que vai obter outro 73 se hes afortunado. Talvez os pais tentem ser mais solidários e dizer: "Bem, até agora você tem obtido um 85 e um 73, então talvez você deve figura em obter cerca de um (85 73) / 2 79. Eu não sei, talvez se você fez menos Festejando e werent abanando a doninhas em todo o lugar e se você começou a fazer muito mais estudando você poderia obter uma pontuação mais alta. quot Ambas estas estimativas são realmente as previsões médias móveis. O primeiro é usar apenas sua pontuação mais recente para prever o seu desempenho futuro. Isso é chamado de média móvel usando um período de dados. A segunda também é uma média móvel, mas usando dois períodos de dados. Vamos supor que todas essas pessoas rebentando em sua grande mente têm tipo de puto você fora e você decidir fazer bem no terceiro teste para suas próprias razões e colocar uma pontuação mais alta na frente de seus quotalliesquot. Você toma o teste e sua pontuação é realmente um 89 Todos, incluindo você, está impressionado. Então agora você tem o teste final do semestre chegando e, como de costume, você sente a necessidade de incitar todo mundo a fazer suas predições sobre como você vai fazer no último teste. Bem, espero que você veja o padrão. Agora, espero que você possa ver o padrão. Qual você acha que é o apito mais preciso enquanto trabalhamos. Agora vamos voltar para a nossa nova empresa de limpeza iniciada por sua meia irmã distante chamado Whistle While We Work. Você tem alguns dados de vendas anteriores representados na seção a seguir de uma planilha. Primeiro, apresentamos os dados para uma previsão média móvel de três períodos. A entrada para a célula C6 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C7 a C11. Observe como a média se move sobre os dados históricos mais recentes, mas usa exatamente os três períodos mais recentes disponíveis para cada previsão. Você também deve notar que nós realmente não precisamos fazer as previsões para os períodos passados, a fim de desenvolver a nossa previsão mais recente. Isto é definitivamente diferente do modelo de suavização exponencial. Ive incluído o quotpast previsõesquot porque vamos usá-los na próxima página da web para medir a validade de previsão. Agora eu quero apresentar os resultados análogos para uma previsão média móvel de dois períodos. A entrada para a célula C5 deve ser Agora você pode copiar esta fórmula de célula para baixo para as outras células C6 a C11. Observe como agora apenas as duas mais recentes peças de dados históricos são utilizados para cada previsão. Mais uma vez incluí as previsões quotpast para fins ilustrativos e para uso posterior na validação de previsão. Algumas outras coisas que são de importância notar. Para uma previsão média móvel de m-período, apenas os m valores de dados mais recentes são usados para fazer a previsão. Nada mais é necessário. Para uma previsão média móvel do período m, ao fazer previsões quotpast, note que a primeira predição ocorre no período m 1. Ambas as questões serão muito significativas quando desenvolvemos nosso código. Desenvolvendo a função de média móvel. Agora precisamos desenvolver o código para a previsão da média móvel que pode ser usado de forma mais flexível. O código segue. Observe que as entradas são para o número de períodos que você deseja usar na previsão ea matriz de valores históricos. Você pode armazená-lo em qualquer pasta de trabalho que você deseja. Função MovingAverage (Histórico, NumberOfPeriods) Como Único Declarar e inicializar variáveis Dim Item Como Variante Dim Counter Como Inteiro Dim Acumulação como Único Dim HistoricalSize As Inteiro Inicializando variáveis Counter 1 Acumulação 0 Determinando o tamanho da Historical array HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulando o número apropriado dos valores mais recentes anteriormente observados Acumulação Acumulação Histórico (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulação / NumberOfPeriods O código será explicado na classe. Você deseja posicionar a função na planilha de forma que o resultado da computação apareça onde ele deve gostar da seguinte maneira. Métodos da série temporal Métodos da série temporal são técnicas estatísticas que fazem uso de dados históricos acumulados durante um período de tempo. Os métodos da série temporal pressupõem que o que ocorreu no passado continuará a ocorrer no futuro. Como sugere a série temporal de nomes, esses métodos relacionam a previsão a apenas um fator - tempo. Eles incluem a média móvel, suavização exponencial e linha de tendência linear e estão entre os métodos mais populares para previsão de curto prazo entre empresas de serviços e de manufatura. Esses métodos pressupõem que padrões históricos identificáveis ou tendências para a demanda ao longo do tempo se repetirão. Média móvel Uma previsão da série de tempo pode ser tão simples quanto usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda é de 100 unidades esta semana, a previsão para as próximas semanas demanda é de 100 unidades, se a demanda acaba por ser 90 unidades, em seguida, as semanas seguintes demanda é de 90 unidades, e assim por diante. Este tipo de método de previsão não leva em conta o comportamento histórico da demanda, que se baseia apenas na demanda no período atual. Ele reage diretamente aos movimentos normais, aleatórios na demanda. O método da média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar, ou suavizar, os aumentos aleatórios e diminuições de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe qualquer comportamento de demanda pronunciado, como uma tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o meteorologista deseja suavizar os dados da demanda. Quanto mais longo for o período de média móvel, mais suave será. A fórmula para computar a média móvel simples é computar uma média movente simples A empresa instantânea da fonte do escritório do grampo do papel vende e entrega materiais de escritório às companhias, às escolas, e às agências dentro de um raio de 50 milhas de seu armazém. O negócio de suprimentos de escritório é competitivo, ea capacidade de entregar ordens prontamente é um fator para obter novos clientes e manter os antigos. (Os escritórios geralmente não pedem quando eles ficam com poucos suprimentos, mas quando eles acabam completamente. Como resultado, eles precisam de suas ordens imediatamente.) O gerente da empresa quer ter certeza de motoristas e veículos estão disponíveis para entregar ordens prontamente e Eles têm estoque adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de pedidos que ocorrerão durante o próximo mês (ou seja, para prever a demanda por entregas). A partir de registros de ordens de entrega, a gerência acumulou os seguintes dados para os últimos 10 meses, a partir do qual quer calcular média móvel de 3 e 5 meses. Vamos supor que é o fim de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por ordens para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos dados de demanda de 5 meses anteriores como segue: A média móvel é de 3 e 5 meses As previsões médias móveis para todos os meses de demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão para novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para meses anteriores nos permitem comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, quão bem ele faz. Médias de três e cinco meses As previsões de média móvel na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Este efeito de alisamento pode ser observado na seguinte figura em que as médias de 3 meses e 5 meses foram sobrepostas em um gráfico dos dados originais: A média móvel de 5 meses na figura anterior suaviza as flutuações em maior extensão do que A média móvel de 3 meses. No entanto, a média de 3 meses reflete mais de perto os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões usando a média móvel de longo prazo são mais lentas para reagir às recentes mudanças na demanda do que aquelas feitas usando médias móveis de período mais curto. Os períodos extras de dados atenuam a velocidade com que a previsão responde. Estabelecer o número apropriado de períodos para usar em uma média móvel de previsão muitas vezes requer alguma quantidade de experimentação de tentativa e erro. A desvantagem do método de média móvel é que não reage a variações que ocorrem por uma razão, tais como ciclos e efeitos sazonais. Fatores que causam mudanças são geralmente ignorados. É basicamente um método mecânico, que reflete dados históricos de forma consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, este método pode fornecer uma boa previsão para o curto prazo, mas não deve ser empurrado muito longe no futuro. Média Móvel Ponderada O método da média móvel pode ser ajustado para refletir mais de perto flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados de demanda para PM Computer Services (mostrados na tabela para o Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que as previsões de suavização exponencial e suavização exponencial ajustadas desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos dos mínimos quadrados são os seguintes: Usando esses valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação da linha de tendência linear é: Para calcular uma previsão para o período 13, Linha de tendência: O gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - isto é, ser um bom ajuste - e seria assim um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ele não vai se ajustar a uma mudança na tendência, como os métodos de previsão exponencial suavização que é, é assumido que todas as previsões futuras seguirá uma linha reta. Isso limita o uso deste método para um período de tempo mais curto em que você pode ser relativamente certo de que a tendência não vai mudar. Ajustes sazonais Um padrão sazonal é um aumento repetitivo e diminuição da demanda. Muitos itens de demanda apresentam comportamento sazonal. As vendas de vestuário seguem os padrões sazonais anuais, com a demanda de roupas quentes aumentando no outono e inverno e declinando na primavera e no verão como a demanda por roupas mais frias aumenta. A demanda para muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, vestuário, aparelhos eletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias. Aumenta a demanda de cartão junto com dias especiais como Dia dos Namorados e Dia das Mães. Padrões sazonais também podem ocorrer em uma base mensal, semanal ou mesmo diária. Alguns restaurantes têm demanda mais elevada na noite do que no lunch ou nos fins de semana ao contrário dos dias úteis. Tráfego - portanto, as vendas - em shopping centers pega na sexta-feira e sábado. Existem vários métodos para refletir os padrões sazonais em uma previsão de séries temporais. Vamos descrever um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda por cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, de fato, a parcela da demanda anual total atribuída a Cada estação. Esses fatores sazonais são multiplicados pela demanda anual prevista para produzir previsões ajustadas para cada estação. Calculando uma Previsão com Ajustes Sazonais A Wishbone Farms cria perus para vender a uma empresa de processamento de carne ao longo do ano. No entanto, sua alta temporada é obviamente durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos, conforme mostrado na tabela a seguir: Como temos três anos de dados de demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total pelos três anos pela demanda total nos três anos : Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para conseguir isso, precisamos de uma previsão de demanda para 2000. Nesse caso, uma vez que os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter um resultado bruto Estimativa de previsão: Assim, a previsão para 2000 é 58.17, ou 58.170 perus. Usando esta previsão anual de demanda, as previsões ajustadas sazonalmente, SF i, para 2000 estão Comparando estas previsões trimestrais com os valores de demanda reais na tabela, elas pareceriam ser estimativas de previsão relativamente boas, refletindo tanto as variações sazonais nos dados quanto Tendência ascendente geral. 10-12. Como o método da média móvel é semelhante à suavização exponencial 10-13. O efeito no modelo de suavização exponencial aumentará a constante de suavização 10-14. Como a suavização exponencial ajustada difere da suavização exponencial 10-15. O que determina a escolha da constante de alisamento para a tendência em um modelo de suavização exponencial ajustado 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial foi sempre assumida como sendo a mesma da demanda real no primeiro período. Sugira outras maneiras de que a previsão inicial possa ser derivada em uso real. 10-17. Como o modelo de previsão da linha de tendência linear difere de um modelo de regressão linear para previsão 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel ea média móvel ponderada, a suavização exponencial ea suavização exponencial ajustada, ea linha de tendência linear, qual você considera o melhor Por que 10-19. Quais são as vantagens que a suavização exponencial ajustada tem sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência 4 K. Kahn e J. T. Mentzer, Forecasting in Consumer and Industrial Markets, The Journal of Business Forecasting 14, no. 2 (Verão de 1995): 21-28.Capítulo 11 - Previsão de amostragem de gestão de procura Como neste estudo, crie uma conta gratuita para o guardar. Registre-se para uma conta Crie uma conta Medição de Erros 1. Erro Padrão - regressão linear 2. Erro Quadrado Médio (ou variância) - erro padrão é uma raiz quadrada de uma função. Média do erro quadrado. 3. Desvio Médio Absoluto - o erro médio de previsão utilizando o valor absoluto do erro de cada previsão anterior. Erro absoluto médio. O MAD ideal é zero, o que significa que não há erro de previsão. Quanto maior for o MAD, menor será a precisão do modelo resultante. 4. Erro absoluto médio - Sinal de seguimento de erro absoluto médio - é uma medida que indica se a média prevista está a acompanhar as verdadeiras variações ascendentes ou descendentes da procura. - é o de desvios médios absolutos que o valor da previsão é acima ou abaixo da ocorrência real. - - 5 limites são aceitáveisOper3100 Exam2 Chp15 Em dados de séries temporais que descrevem a demanda qual dos seguintes não é considerado um componente da variação da demanda p.504 Variação. A variância é uma medida do grau de erro, não um componente da variação da demanda. Por exemplo. Vários termos comuns usados para descrever o grau de erro são erro padrão, erro quadrático médio (ou variância) e desvio absoluto médio. Qual dos seguintes não é um dos tipos básicos de previsão p. 486 Análise de campo de força. A previsão pode ser classificada em quatro tipos básicos: qualitativo, análise de séries temporais, relações causais e simulação. Na maioria dos casos, a demanda por produtos ou serviços pode ser dividida em vários componentes. Qual dos seguintes itens não é considerado um componente da demanda Dados anteriores. Na maioria dos casos, a demanda por produtos ou serviços pode ser dividida em seis componentes: demanda média para o período, uma tendência, elementos sazonais, elementos cíclicos, variação aleatória e autocorrelação. Na maioria dos casos, a demanda por produtos ou serviços pode ser dividida em vários componentes. Qual dos seguintes é considerado um componente da demanda Elementos cíclicos. Na maioria dos casos, a demanda por produtos ou serviços pode ser dividida em seis componentes: demanda média para o período, uma tendência, elementos sazonais, elementos cíclicos, variação aleatória e autocorrelação. Na maioria dos casos, a demanda por produtos ou serviços pode ser dividida em vários componentes. Qual das seguintes é considerada uma componente da demanda (p.486) Autocorrelação. Na maioria dos casos, a demanda por produtos ou serviços pode ser dividida em seis componentes: demanda média para o período, uma tendência, elementos sazonais, elementos cíclicos, variação aleatória e autocorrelação. Qual das seguintes metodologias de previsão é considerada uma técnica de previsão qualitativa Pesquisa de mercado. A pesquisa de mercado é usada principalmente para pesquisa de produtos no sentido de buscar novas idéias de produtos, gostos e aversões sobre produtos existentes, quais os produtos competitivos dentro de uma determinada classe são preferidos, e assim por diante. Novamente, os métodos de coleta de dados são principalmente pesquisas e entrevistas. Qual das seguintes metodologias de previsão é considerada uma técnica de previsão de séries temporais (p.498) Média móvel simples. A média móvel simples é a única opção que tenta prever valores futuros de demanda com base em dados passados. Qual das seguintes metodologias de previsão é considerada uma técnica de previsão de séries temporais (p.499) Média móvel ponderada. A média móvel ponderada é a única opção que tenta prever valores futuros de demanda com base em dados passados. Qual das seguintes metodologias de previsão é considerada uma técnica de previsão causal (p.486) Regressão linear. A previsão causal, que discutimos utilizando a técnica de regressão linear, pressupõe que a demanda está relacionada a algum fator ou fatores subjacentes no ambiente. Qual dos seguintes métodos de previsão utiliza julgamento executivo como seu componente primário para a previsão (p. Em um painel de consenso, a idéia de que duas cabeças são melhores do que um é extrapolado para a idéia de que um painel de pessoas de uma variedade de posições pode desenvolver uma previsão mais confiável do que um grupo mais estreito. As previsões dos painéis são desenvolvidas através de reuniões abertas com livre troca de idéias de todos os níveis de gestão e indivíduos. Quando as decisões de previsão se situam num nível mais amplo e mais elevado (como ao introduzir uma nova linha de produtos ou relativamente a decisões estratégicas de produtos, tais como novas áreas de marketing), o termo julgamento executivo é geralmente utilizado. Qual dos métodos de previsão a seguir é muito dependente da seleção dos indivíduos certos que serão julgadamente utilizados para realmente gerar o método Delphi (p.510). O procedimento passo-a-passo para o método Delphi é: 1. Escolha os especialistas para participar. Deve haver uma variedade de pessoas experientes em diferentes áreas. Na previsão de negócios, o que normalmente é considerado um período de tempo de curto prazo (página 488) Menos de 3 meses. Em previsão de negócios de curto prazo geralmente se refere a menos de três meses. Na previsão de negócios, o que é geralmente considerado um período de médio prazo (p.488) Três meses a dois anos. Em previsão de negócios médio prazo (refere-se) três meses a dois anos. Na previsão de negócios, o que geralmente é considerado um período de tempo de longo prazo Dois anos ou mais. Na previsão de negócios de longo prazo (refere-se) maior do que dois anos. Em geral, qual período de previsão compensa mais efetivamente a variação aleatória e as mudanças de curto prazo (p.488) Previsões de curto prazo. Em geral, os modelos de curto prazo compensam a variação aleatória e se ajustam a mudanças de curto prazo (como as respostas dos consumidores a um novo produto). Em geral, qual prazo de previsão identifica melhor os efeitos sazonais (p. As previsões a médio prazo são úteis para captar efeitos sazonais. Em geral, qual período de previsão é melhor para detectar tendências gerais (p) Previsões de longo alcance Os modelos de longo prazo detectam tendências gerais e são especialmente úteis para identificar pontos de viragem importantes Quais dos seguintes métodos de previsão podem ser usados para previsão de curto prazo 488. Qual das seguintes considerações não é um fator para decidir qual modelo de previsão uma empresa deve escolher (p.486) Produto. Qual modelo de previsão de uma empresa deve escolher depende de : (1) Horizonte temporal a prever (2) Disponibilidade de dados (3) Precisão requerida (4) Tamanho do orçamento de previsão (5) Disponibilidade de pessoal qualificado Uma empresa quer prever a procura utilizando a média móvel simples Se a empresa utilizar quatro (Ano de 2008 100, ano de 2009 120, ano de 2018 140 e ano de 2017 210), qual das seguintes é a média móvel simples prevista para o ano de 2017 (página 498) 142.5 Usando a equação 15.5 (página 498) Previsão para 2017 (100 120 140 210) / 4 570/4 142,5 Uma empresa quer prever a demanda usando a média móvel simples. Se a empresa usar três valores de vendas anuais anteriores (por exemplo, ano 2009 130, ano 2018 110 e ano 2017 160), qual das seguintes é a média móvel simples prevista para o ano de 2017 133.3 Usando a equação 15.5 (página 498 ) Previsão para 2017 (130 110 160) / 3 400/4 133,3 Uma empresa quer prever a demanda usando a média móvel ponderada. Se a empresa usar dois valores de vendas anuais anteriores (ou seja, ano de 2017 110 e ano de 2017 130), e queremos ponderar o ano de 2017 em 10 e ano de 2017 em 90, qual das seguintes é a média ponderada da média móvel para o ano de 2017 (p 500) 128 Usando a equação 15.6 (página 500) Previsão para 2017 (110x0.1) (130x0.9) 11 117 128 Uma empresa quer prever a demanda usando a média móvel ponderada. Se a empresa usar três valores de vendas anuais anteriores (ou seja, ano 2018 160, ano 2017 140 e ano 2017 170), e queremos peso ano 2018 em 30, ano 2017 em 30 e ano 2017 em 40, qual das seguintes é a Ponderada média móvel para o ano 2017 Utilizando a equação 15.6 (página 500) Previsão para 2017 (160x0.3) (140x0.3) (170x0.4) 158 Quais das seguintes razões estão entre as principais razões A suavização exponencial tornou-se bem aceita como uma técnica de previsão (p.501) Precisão. As técnicas de suavização exponencial tornaram-se bem aceitas por seis razões principais. 1. Os modelos exponenciais são surpreendentemente precisos. 2. A formulação de um modelo exponencial é relativamente fácil. 3. O usuário pode entender como o modelo funciona. 4. Pouca computação é necessária para usar o modelo. 5. Os requisitos de armazenamento do computador são pequenos devido ao uso limitado de dados históricos. 6. Os testes de precisão quanto ao desempenho do modelo são fáceis de calcular. O método de suavização exponencial requer qual dos seguintes dados para prever o futuro (p.501) A previsão mais recente. No método de suavização exponencial, apenas três dados são necessários para prever o futuro: a previsão mais recente, a demanda real ocorrida para esse período de previsão e uma alfa constante de alisamento. Dado um valor de demanda de previsão anterior de 230, um valor de demanda real relacionado de 250 e uma constante de alisamento alfa de 0,1, qual é o valor de previsão de suavização exponencial para o período a seguir. 232 Usando a equação 15.7, Previsão 230 0.1 x (250-230) 232 Se uma empresa produziu um item padrão com demanda relativamente estável, a alfa de alisamento alfa usada em um modelo de previsão exponencial de suavização tenderia a ser qual das seguintes faixas (p.501) 5 a 10 Se uma empresa produziu um item padrão com Relativamente estável, a taxa de reacção às diferenças entre a procura real e prevista tenderia a ser pequena, talvez apenas 5 ou 10 pontos percentuais. Se uma empresa produziu um produto que está experimentando crescimento na demanda, o alfa de alisamento constante usado em um modelo exponencial de suavização de previsão tenderia a ser qual dos seguintes: Quanto mais rápido o crescimento, maior a porcentagem. Se uma empresa estava experimentando crescimento, seria desejável ter uma taxa de reação mais alta, talvez de 15 a 30 pontos percentuais, para dar maior importância à recente experiência de crescimento. Quanto mais rápido o crescimento, maior a taxa de reação deve ser. Dado um valor de demanda de previsão anterior de 1.100, um valor de demanda real relacionado de 1.000 e uma constante alisante alfa de 0.3, qual é o valor de previsão de suavização exponencial 1030 Usando a equação 15.7, Previsão 1100 0.3 x (1100 - 1000) 1030 Uma empresa quer Para gerar uma previsão de demanda por unidade para o ano de 2017, utilizando suavização exponencial. A demanda real no ano de 2017 foi de 120. A demanda de previsão no ano de 2017 foi de 110. Usando esses dados e uma constante de alisamento alfa de 0,1, qual dos seguintes é o ano resultante 2017 valor de previsão 111 Usando a equação 15.7, Previsão 110 0.1 x 120 - 110) 111 Como consultor, foi solicitado que você gerasse uma previsão de demanda unitária para um produto para o ano de 2017 usando o suavização exponencial. A demanda real no ano de 2017 foi de 750. A demanda prevista no ano de 2017 foi de 960. Usando esses dados e uma constante de alisamento alfa de 0,3, qual dos seguintes é o valor resultante da previsão de 2017 ano 897 Usando a equação 15.7, Previsão 960 0,3 x 960 - 750) 897 Qual das seguintes é uma possível fonte de erro de polarização na previsão (P. 504) A. Falhando em incluir as variáveis corretas B. Usando o método de previsão errado C. Empregando analistas menos sofisticados do que o necessário D. Usando erros incorretos Dados E. Usando o desvio padrão em vez de MAD Falhando em incluir as variáveis corretas. Erros de polarização ocorrem quando um erro consistente é feito. Fontes de viés incluem a falha em incluir as variáveis corretas o uso de relacionamentos errados entre variáveis empregando da linha de tendência errada uma mudança equivocada na demanda sazonal de onde ela ocorre normalmente e a existência de alguma tendência secular não detectada. Quais dos itens a seguir são usados para descrever o grau de erro (p.504 Desvio absoluto médio) Vários termos comuns usados para descrever o grau de erro são erro padrão, erro quadrático médio (ou variância) e desvio absoluto médio. A demanda unitária real por três anos consecutivos de 124, 126 e 135. As respectivas previsões para os mesmos três anos são 120, 120 e 130. Qual dos seguintes é o valor MAD resultante que pode ser calculado a partir desses dados (p. 504) 5. Usando a equação 15.11 na página 504, MAD ABS ((124-120) (126-120) (135 - 130)) / 3 15/3 5 Uma empresa tem demanda real por quatro anos consecutivos de 100, 105 , 135 e 150. As previsões respectivas foram 120 para os quatro anos. Qual dos seguintes valores é o MAD resultante que pode ser calculado a partir destes dados 20. Usando a equação 15.11 na página 504, o MAD ABS (( 100 - 120) (135 - 120) (150 - 120)) / 4 80/4 20 Se você estava selecionando de uma variedade de modelos de previsão baseados em MAD, qual dos seguintes valores de MAD dos mesmos dados Refletiria o modelo mais preciso (p. 505) 0.2 MAPE mede o erro relativo à demanda média. Por exemplo, se o MAD for 10 unidades e a demanda média for de 20 unidades, o erro é grande e significativo, mas relativamente insignificante em uma demanda média de 1.000 unidades. Uma vez que os mesmos dados estão sendo usados na questão, MAPE seria menos quando MAD era menor. Portanto, A é a resposta correta. Uma empresa calculou sua soma corrente de erros de previsão para ser 500 e seu desvio absoluto médio é exatamente 35. Qual dos seguintes é o sinal de rastreamento da empresa (página 506) Sobre 14.3 Usando a equação 15.13 (página 506) o sinal de rastreamento é RSFE / MAD 500/35 14,29. Uma empresa tem um MAD de 10. Seu quer ter um limite de controle de 99,7 por cento em seu sistema de previsão. Seu valor de sinal de rastreamento mais recente é 3.1. O que a empresa pode concluir a partir dessa informação (p.505-506) O modelo de previsão está funcionando aceitável. Sinal de Rastreio RSFE / MAD, portanto, 3,1 RSFE / 10 ou RSFE 3,1 x 10 31. MAD 10, SD 1,25 x MAD 12,5. Uma vez que 99,7 por cento corresponde a 3 desvios padrão da média, RSFE teria de ser superior a 3 x 12,5 ou 37,5 para o modelo de previsão para estar fora de controle. Você é contratado como um consultor para aconselhar uma empresa pequena sobre a metodologia de previsão. Com base em sua pesquisa você acha que a empresa tem um MAD de 3. Seu quer ter um limite de controle de 99,7 por cento em seu sistema de previsão. Seu valor de sinal de rastreamento mais recente é 15. Qual deve ser o seu relatório para a empresa (p.505-506) O modelo de previsão está fora de controle e precisa ser corrigido. Sinal de Rastreio RSFE / MAD, portanto, 15 RSFE / 3 ou RSFE 15 x 3 45. MAD 3, SD 1,25 x MAD 3,75. Uma vez que 99,7 por cento corresponde a 3 desvios padrão da média, (3 x 3,75 11,25). Como RSFE é 45, o modelo de previsão está fora de controle. Qual das seguintes é a porção de observações que você esperaria ver dentro de uma margem de mais ou menos 3 MAD 98.36 3 MAD x 0.8 2.4 Desvios padrão (página 505). A partir do Apêndice D, 2.4 desvios-padrão inclui 0,4918 da área x 2 0,9836 ou 98,36 Qual das seguintes é a porção de observações que você esperaria ver situadas dentro de uma margem de mais ou menos 2 MAD (p 505) 2 MAD x 0,8 1,6 Desvios padrão (página 505). A partir do Apêndice D, 1,6 desvio padrão inclui 0,4452 da área x 2 0,8904 ou 89,04 Se o valor de interceptação de um modelo de regressão linear for 40, o valor da inclinação é 40 eo valor de X é 40, qual das seguintes é a resultante Valor de previsão usando este modelo 1640 A linha de regressão linear é da forma Y a bX, onde Y é o valor da variável dependente que estamos resolvendo, a é a intercepção Y, b é a inclinação e X é a variável independente. Assim, Y 40 40 x 40 1 640. Uma empresa contrata você para desenvolver um modelo de previsão de regressão linear. Com base nas informações de vendas históricas da empresa, você determina o valor de interceptação do modelo para ser 1.200. Você também verifica que o valor da inclinação é menos 50. Se depois de desenvolver o modelo você recebe um valor de X 10, qual dos seguintes é o valor da previsão resultante usando este modelo 700 A linha de regressão linear é da forma Y a bX, onde Y é o valor da variável dependente que estamos resolvendo, a é a intercepção Y, b é a inclinação e X é a variável independente. Assim, Y 1.200 (- 50) x 10 700. Vendas pesadas de guarda-chuvas durante uma tempestade de chuva é um exemplo de qual dos seguintes (507) Uma relação casual. Podemos esperar que um período prolongado de chuva irá aumentar as vendas de guarda-chuvas e impermeáveis. A chuva causa a venda de equipamentos de chuva. Esta é uma relação causal, onde uma ocorrência causa outra. Você está usando um modelo de suavização exponencial para previsão. A soma corrente das estatísticas de erro de previsão (RSFE) é calculada sempre que uma previsão é gerada. Você acha que o último RSFE é 34. Originalmente, o modelo de previsão usado foi selecionado porque seu MAD relativamente baixo de 0,4. Para determinar quando é hora de reavaliar a utilidade do modelo de suavização exponencial você calcula sinais de rastreamento. Qual dos seguintes é o sinal de rastreamento resultante 85 Usando a equação 15.13, página 506, TS RSFE / MAD 34 / 0,3 85.Capacidade de fornecimento Capítulo 18 Como este estudo, crie uma conta gratuita para salvá-la. Inscreva-se para uma conta Crie uma conta Se o valor de interceptação de um modelo de regressão linear for 40, o valor de inclinação é 40 eo valor de X é 40, qual dos seguintes é o valor de previsão resultante usando este modelo C A regressão linear Linha é da forma Y a bX, onde Y é o valor da variável dependente que estamos resolvendo, a é a intercepção Y, b é a inclinação e X é a variável independente. Assim, Y 40 40 x 40 1 640. Uma empresa contrata você para desenvolver um modelo de previsão de regressão linear. Com base nas informações de vendas históricas da empresa, você determina o valor de interceptação do modelo para 1.200. Você também verifica que o valor da inclinação é menos 50. Se, após o desenvolvimento do modelo, você receber um valor de X 10, qual é o valor de previsão resultante usando este modelo B A linha de regressão linear é da forma Y a bX , Onde Y é o valor da variável dependente que estamos resolvendo, a é a intercepção Y, b é a inclinação e X é a variável independente. Portanto, Y 1,200 (-50) x 10 700. Você está usando um modelo de suavização exponencial para previsão. A soma corrente das estatísticas de erro de previsão (RSFE) é calculada sempre que uma previsão é gerada. Você acha que o último RSFE é 34. Originalmente, o modelo de previsão usado foi selecionado por causa de seu MAD relativamente baixo de 0,4. Para determinar quando é hora de reavaliar a utilidade do modelo de suavização exponencial, você calcula os sinais de rastreamento. Qual dos seguintes é o sinal de rastreamento resultante Por favor, permita o acesso ao seu microfone computerrsquos para usar a Gravação de Voz. Problemas Clique aqui para obter ajuda. Não podemos acessar seu microfone Clique no ícone acima para atualizar as permissões do navegador e tente novamente Recarregar a página para tentar novamente Pressione Cmd-0 para redefinir o zoom Pressione Ctrl-0 para redefinir o zoom Parece que seu navegador pode ser ampliado ou desativado . Seu navegador precisa ser ampliado para um tamanho normal para gravar áudio. Atualize o Flash ou instale o Google Chrome para usar a gravação de voz. O microfone está sem som Para obter ajuda para corrigir este problema, consulte este FAQ.
No comments:
Post a Comment