OR-Notes são uma série de notas introdutórias sobre temas que se enquadram no título geral do campo de pesquisa operacional (OR). Eles foram usados originalmente por mim em um curso OR introdutório que eu dou no Imperial College. Eles estão agora disponíveis para uso por qualquer estudante e professor interessado em OU, sujeito às seguintes condições. Uma lista completa dos tópicos disponíveis no OR-Notes pode ser encontrada aqui. Exemplos de previsão Exemplo de previsão 1996 exame UG A demanda por um produto em cada um dos últimos cinco meses é mostrada abaixo. Use uma média móvel de dois meses para gerar uma previsão de demanda no mês 6. Aplique suavização exponencial com uma constante de suavização de 0,9 para gerar uma previsão de demanda por demanda no mês 6. Qual dessas duas previsões você prefere e por que o movimento de dois meses A média dos meses de dois a cinco é dada por: A previsão para o mês seis é apenas a média móvel do mês anterior, ou seja, a média móvel para o mês 5 m 5 2350. Aplicando suavização exponencial com uma constante de suavização de 0,9, obtemos: como antes A previsão para o mês seis é apenas a média para o mês 5 M 5 2386 Para comparar as duas previsões, calculamos o desvio médio quadrado (MSD). Se fizermos isso, encontramos isso para a média móvel de MSD (15 - 19) sup2 (18 - 23) sup2 (21 - 24) sup23 16.67 e para a média exponencialmente suavizada com uma constante de suavização de 0,9 MSD (13 - 17) sup2 (16,60 - 19) sup2 (18,76 - 23) sup2 (22,58 - 24) sup24 10,44 Em geral, verificamos que o alisamento exponencial parece dar as melhores previsões de um mês antes, pois tem um MSD mais baixo. Por isso, preferimos a previsão de 2386 que foi produzida por suavização exponencial. Exemplo de previsão Exercício de 1994 UG A tabela abaixo mostra a demanda por um novo pós-afluxo em uma loja para cada um dos últimos 7 meses. Calcule uma média móvel de dois meses para os meses dois a sete. Qual seria a sua previsão para a demanda no mês oito Aplicar o alisamento exponencial com uma constante de suavização de 0,1 para obter uma previsão da demanda no mês oito. Quais das duas previsões para o mês oito você prefere e por que o dono da loja acredita que os clientes estão mudando para este novo aftershave de outras marcas. Discuta como você pode modelar esse comportamento de comutação e indicar os dados que você precisaria para confirmar se essa mudança está ocorrendo ou não. A média móvel de dois meses para os meses dois a sete é dada por: A previsão para o mês oito é apenas a média móvel do mês anterior, ou seja, a média móvel para o mês 7 m 7 46. Aplicando alisamento exponencial com uma constante de suavização de 0,1 nós Obter: como antes, a previsão para o mês oito é apenas a média do mês 7 M 7 31.11 31 (como não podemos ter demanda fracionada). Para comparar as duas previsões, calculamos o desvio médio quadrado (MSD). Se fizermos isso, encontramos isso para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0,1. Em geral, vemos que a média móvel de dois meses parece dar as melhores previsões de um mês antes, pois tem um MSD mais baixo. Portanto, preferimos a previsão de 46 que foi produzida pela média móvel de dois meses. Para examinar a mudança, precisamos usar um modelo de processo Markov, onde as marcas dos estados e nós precisamos de informações de estado inicial e probabilidades de troca de clientes (de pesquisas). Nós precisamos executar o modelo em dados históricos para ver se temos um ajuste entre o modelo eo comportamento histórico. Exemplo de previsão 1992 exame UG A tabela abaixo mostra a demanda por uma determinada marca de navalha em uma loja para cada um dos últimos nove meses. Calcule uma média móvel de três meses nos meses três a nove. Qual seria a sua previsão para a demanda no mês dez Aplicar o alisamento exponencial com uma constante de suavização de 0,3 para obter uma previsão da demanda no mês dez. Qual das duas previsões para o mês dez você prefere e por que a média móvel de três meses para os meses 3 a 9 é dada por: A previsão para o mês 10 é apenas a média móvel do mês anterior, ou seja, a média móvel do mês 9 m 9 20.33. Por isso (como não podemos ter demanda fracionada), a previsão para o mês 10 é de 20. Aplicando suavização exponencial com uma constante de suavização de 0,3, obtemos: como antes, a previsão para o mês 10 é apenas a média para o mês 9 M 9 18,57 19 (como nós Não pode ter demanda fracionada). Para comparar as duas previsões, calculamos o desvio médio quadrado (MSD). Se fizermos isso, encontramos isso para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0,3. Em geral, verificamos que a média móvel de três meses parece dar as melhores previsões de um mês antes, pois tem um MSD mais baixo. Portanto, preferimos a previsão de 20 que foi produzida pela média móvel de três meses. Exemplo de previsão exame 1991 UG A tabela abaixo mostra a demanda por uma determinada marca de máquina de fax em uma loja de departamento em cada um dos últimos doze meses. Calcule a média móvel de quatro meses para os meses 4 a 12. Qual seria a sua previsão para a demanda no mês 13 Aplicar o alisamento exponencial com uma constante de suavização de 0,2 para obter uma previsão da demanda no mês 13. Qual das duas previsões para o mês 13 você prefere e por que outros fatores, não considerados nos cálculos acima, podem influenciar a demanda pelo aparelho de fax no mês 13. A média móvel de quatro meses para os meses 4 a 12 é dada por: m 4 (23 19 15 12) 4 17,25 m 5 (27 23 19 15) 4 21 m 6 (30 27 23 19) 4 24,75 m 7 (32 30 27 23) 4 28 m 8 (33 32 30 27) 4 30,5 m 9 (37 33 32 30) 4 33 m 10 (41 37 33 32) 4 35.75 m 11 (49 41 37 33) 4 40 m 12 (58 49 41 37) 4 46,25 A previsão para o mês 13 é apenas a média móvel do mês anterior, ou seja, a média móvel Para o mês 12 m 12 46,25. Por isso (como não podemos ter demanda fracionada), a previsão para o mês 13 é 46. Aplicando suavização exponencial com uma constante de suavização de 0,2 nós obtemos: Como antes, a previsão para o mês 13 é apenas a média para o mês 12 M 12 38.618 39 (como nós Não pode ter demanda fracionada). Para comparar as duas previsões, calculamos o desvio médio quadrado (MSD). Se fizermos isso, encontramos isso para a média móvel e para a média exponencialmente suavizada com uma constante de suavização de 0,2. No geral, verificamos que a média móvel de quatro meses parece dar as melhores previsões de um mês antes, pois tem um MSD mais baixo. Por isso, preferimos a previsão de 46 que foi produzida pela média móvel de quatro meses. Demonstração sazonal da demanda, mudanças de preços, tanto esta marca como outras marcas, situação econômica geral, nova tecnologia. Exemplo de previsão, exame 1989 UG. A tabela abaixo mostra a demanda por uma determinada marca de forno de microondas em uma loja de departamento em cada um dos últimos doze meses. Calcule uma média móvel de seis meses para cada mês. Qual seria a sua previsão para a demanda no mês 13 Aplicar o alisamento exponencial com uma constante de suavização de 0,7 para obter uma previsão da demanda no mês 13. Qual das duas previsões para o mês 13 você prefere e por que agora não podemos calcular um seis Média móvel do mês até que tenhamos pelo menos 6 observações - ou seja, só podemos calcular essa média a partir do mês 6 em diante. Por isso, temos: m 6 (34 32 30 29 31 27) 6 30,50 m 7 (36 34 32 30 29 31) 6 32,00 m 8 (35 36 34 32 30 29) 6 32,67 m 9 (37 35 36 34 32 30) 6 34,00 m 10 (39 37 35 36 34 32) 6 35,50 m 11 (40 39 37 35 36 34) 6 36,83 m 12 (42 40 39 37 35 36) 6 38,17 A previsão para o mês 13 é apenas a média móvel para o Mês antes, ou seja, a média móvel para o mês 12 m 12 38,17. Por isso (como não podemos ter demanda fracionada), a previsão para o mês 13 é de 38. Aplicando suavização exponencial com uma constante de suavização de 0,7, obtemos: na prática, a média móvel proporcionará uma boa estimativa da média da série temporal se a média for Constante ou lentamente mudando. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo significará os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra as séries temporais usadas para ilustração juntamente com a demanda média da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Então, torna-se constante novamente. Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que em qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas médias móveis para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel está atrasada por trás da tendência linear, com o atraso crescente com m. O atraso é a distância entre o modelo e a estimativa na dimensão temporal. Por causa do atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um momento específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série de crescimento contínuo com tendência a. Os valores de lag e tendência do estimador da média são dados nas equações abaixo. As curvas de exemplo não combinam essas equações porque o modelo de exemplo não está aumentando continuamente, antes ele começa como uma constante, muda para uma tendência e depois se torna constante novamente. Também as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o desvio aumentam proporcionalmente. As equações abaixo indicam o atraso e a polarização de um período de previsão para o futuro em relação aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel é baseado na suposição de uma média constante, e o exemplo tem uma tendência linear na média durante uma parcela do período de estudo. Uma vez que as séries em tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para esses resultados. Também podemos concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menores. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de observações m, assumindo que os dados provêm de uma população com um meio constante. Este termo é minimizado fazendo m o maior possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar as previsões sensíveis às mudanças, queremos m o mais pequeno possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro médio móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão e o Desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente. Técnicas de previsão do tempo: Suavização exponencial média móvel Esta lição discutirá a previsão da demanda com foco nas vendas de bens e serviços estabelecidos. Ele irá introduzir as técnicas quantitativas de suavização média móvel e exponencial para ajudar a determinar a demanda de vendas. O que é a Previsão de Demanda Mais uma vez, é a temporada de férias. As crianças estão prontas para uma visita do Papai Noel, e os pais estão estressados nas compras e nas finanças. As empresas estão finalizando suas operações para o ano civil e se preparando para se mudar para o que for que venha. A ABC Inc. fabrica fios telefônicos. Seus períodos de contabilidade e operações funcionam em um ano civil, então o final do ano permite que eles encerrem as operações antes das férias e planejam o início de um novo ano. É hora de os gerentes prepararem e enviar seus planos operacionais aos departamentos para gerentes seniores para que eles possam criar um plano de operações organizacionais para o novo ano. O departamento de vendas está estressado de suas mentes. A demanda por fio telefônico foi reduzida em 2015 e os dados econômicos gerais sugerem uma contínua desaceleração em projetos de construção que exigem fio telefônico. Bob, o gerente de vendas, sabe que a alta administração, o conselho de administração e as partes interessadas estão esperando uma previsão de vendas otimista, mas ele sente que o gelo da recessão da indústria se arrasta atrás dele para enfrentá-lo. A previsão de demanda é o método de projetar a demanda do cliente por um bem ou serviço. Esse processo é contínuo, onde os gerentes usam dados históricos para calcular o que eles esperam que a demanda de vendas de um bem ou serviço seja. Bob usa informações do passado da empresa e adiciona-a aos dados econômicos do mercado para ver se as vendas crescerão ou diminuirão. Bob usa os resultados da previsão de demanda para estabelecer metas para o departamento de vendas, enquanto tenta manter a linha com os objetivos da empresa. Bob será capaz de avaliar os resultados do departamento de vendas no próximo ano para determinar como sua previsão foi divulgada. Bob pode usar diferentes técnicas que são qualitativas e quantitativas para determinar o crescimento ou o declínio das vendas. Exemplos de técnicas qualitativas incluem: suposições educadas Mercado de previsão Teoria dos jogos Técnica Delphi Exemplos de técnicas quantitativas incluem: Extrapolação Mineração de dados Modelos causais Modelos Box-Jenkins Os exemplos acima listados de técnicas de previsão de demanda são apenas uma pequena lista das possibilidades disponíveis para Bob como ele Pratica a previsão da demanda. Esta lição incidirá em duas técnicas quantitativas adicionais que são simples de usar e fornecem uma previsão objetiva e precisa. Fórmula média móvel Uma média móvel é uma técnica que calcula a tendência geral em um conjunto de dados. No gerenciamento de operações, o conjunto de dados é o volume de vendas de dados históricos da empresa. Esta técnica é muito útil para a previsão de tendências a curto prazo. É simplesmente a média de um conjunto seleto de períodos de tempo. É chamado de movendo-se porque, como um novo número de demanda é calculado para um próximo período de tempo, o número mais antigo no conjunto cai, mantendo o período de tempo bloqueado. Vamos ver um exemplo de como o gerente de vendas da ABC Inc. proverá a demanda usando a fórmula de média móvel. A fórmula é ilustrada da seguinte forma: Média móvel (n1 n2 n3.) N Onde n o número de períodos de tempo no conjunto de dados. A soma do primeiro período de tempo e todos os períodos de tempo adicionais escolhidos são divididos pelo número de períodos de tempo. Bob decide criar sua previsão de demanda com base em uma média móvel de 5 anos. Isso significa que ele usará os dados do volume de vendas dos últimos 5 anos como dados para o cálculo. Suavização exponencial O suavização exponencial é uma técnica que usa uma constante de suavização como preditor de previsão futura. Sempre que você usa um número na previsão que é uma média, ele foi suavizado. Esta técnica possui dados históricos de períodos anteriores e aplicou o cálculo para suavização exponencial para prever dados futuros. Neste caso, Bob também aplicará alisamento exponencial para comparar o cálculo anterior de uma média móvel para obter uma segunda opinião. A fórmula para suavização exponencial é a seguinte. Previsão de F (t) para 2016 F (t-1) previsão para o ano anterior alavanca de alisamento constante A (t-1) vendas reais do ano anterior A constante de suavização é um peso aplicado à equação com base na quantidade de ênfase da empresa Coloca os dados mais recentes. A constante de suavização é um número entre 0 e 1. Uma constante de suavização de 0,9 indicaria que o gerenciamento coloca muita ênfase nos dados de vendas históricas dos períodos de tempo mais anteriores. Uma constante de suavização de 0,1 indicaria que o gerenciamento coloca pouca ênfase no período de tempo anterior. A escolha de uma constante de suavização é atingida ou perca e pode ser modificada à medida que mais dados estão disponíveis. Usaremos o gráfico acima com o volume histórico de vendas para calcular a previsão de suavização exponencial para 2016. Existe uma coluna extra para incluir o volume de vendas previsto. Este cálculo é uma fórmula bastante eficiente e bastante preciso em comparação com outras técnicas de previsão da demanda. Resumo da lição A previsão de demanda é uma parte essencial dos planos projetados por uma empresa para períodos de tempo futuros. Podem ser utilizadas diferentes técnicas, tanto qualitativas quanto quantitativas, e fornecem diferentes conjuntos de dados aos gerentes, pois projetam demanda, especialmente no volume de vendas. A média móvel e as técnicas de suavização exponencial são exemplos justos de métodos a serem usados para ajudar a prever a demanda. Para desbloquear esta lição você deve ser um Membro de Estudo. Crie sua conta Ganhando Crédito da faculdade Você conheceu o conteúdo Temos mais de 79 cursos universitários que o preparam para ganhar crédito por exame aceito por mais de 2.000 faculdades e universidades. Você pode testar os dois primeiros anos de faculdade e salvar milhares do seu diploma. Qualquer pessoa pode ganhar crédito por exame independentemente da idade ou nível de educação. Transferir crédito para a escola de sua escolha Não tem certeza de qual faculdade você deseja participar ainda. Estuda tem milhares de artigos sobre todos os graus imagináveis, área de estudo e carreira que podem ajudá-lo a encontrar a escola certa para você. Escolas de Pesquisa, Gráficos de Amp. Ampères Obter a informação imparcial que você precisa para encontrar a escola certa. Procurar artigos por categoria
No comments:
Post a Comment