Meia De Média Ponderada

Definição do modelo da média móvel ponderada No modelo de média móvel ponderada (estratégia de previsão 14), todo valor histórico é ponderado com um fator do grupo de ponderação no perfil de previsão univariada. Fórmula para a média móvel ponderada O modelo de média móvel ponderada permite que você pesa mais os dados históricos recentes do que dados mais antigos ao determinar a média. Você faz isso se os dados mais recentes forem mais representativos do que a demanda futura será do que dados mais antigos. Portanto, o sistema é capaz de reagir mais rapidamente a uma mudança de nível. A precisão deste modelo depende em grande parte da sua escolha de fatores de ponderação. Se o padrão da série temporal mudar, você também deve adaptar os fatores de ponderação. Ao criar um grupo de ponderação, você insere os fatores de ponderação como porcentagens. A soma dos fatores de ponderação não precisa ser 100. Nenhuma previsão ex-post é calculada com esta estratégia de previsão. Média móvel alterada O algoritmo da média móvel ponderada suaviza os dados da série temporal, ao mesmo tempo em que dá mais importância a determinados períodos de tempo. Muitas vezes, é usado para criar uma previsão de vendas para produtos maduros com números de vendas bastante estáveis. Média móvel ponderada (rolamento 3 períodos) Cálculo Como com o algoritmo de média móvel simples, a média móvel ponderada analisa dados de séries temporais criando uma série de médias para diferentes subconjuntos de valores medidos em diferentes subconjuntos de períodos. No entanto, neste caso, as médias para os subconjuntos são calculadas multiplicando os valores das figuras-chave por pesos predefinidos e a soma desses valores multiplicados é dividida pela soma dos pesos. Assim, uma média ponderada é calculada como uma previsão ex-post para um número fixo de períodos. Como um próximo passo, o algoritmo muda o cálculo de um período para o futuro, ainda considerando m períodos para o cálculo. A média ponderada dos últimos períodos históricos da M será a previsão para o primeiro período futuro. Cada valor histórico é ponderado com o respectivo peso desse período. A previsão resultante é um número constante ao qual alguns subconjuntos dos dados da série temporal contribuem mais do que outros. A previsão ex-post é, portanto, calculada da seguinte forma: Cálculo das variáveis ​​de previsão ex-post utilizadas: X1, X2. Xn série de tempo m é o tamanho do subconjunto W1, W2. Wn pesos i m. N e 0 lt m n A previsão é calculada da seguinte forma: Cálculo das variáveis ​​de previsão utilizadas: X1, X2. Xn série de tempo m é o tamanho do subconjunto W1, W2. Wn pesos i m. N e 0 lt mn Além de especificar os números-chave para a previsão e a previsão ex-post, você precisa fazer as seguintes configurações se quiser usar o algoritmo da média móvel ponderada em seu modelo: Fonte dos pesos O valor-chave usado para Armazenando os pesos pelos quais o sistema deve multiplicar os dados da série temporal Número de períodos O comprimento dos subconjuntos na série temporal para a qual a média móvel é calculada. Por exemplo, se você selecionar 3 para esta configuração e definir a periodicidade para o mês, o algoritmo calcula a média para os meses 1, 2 e 3, então para os meses 2, 3 e 4, e assim por diante, avançando no histórico horizonte. Estender o Cálculo para Períodos Futuros Se você selecionar esta opção, a lógica da média móvel ponderada será transferida dos últimos períodos do passado para os períodos no futuro. Para obter mais informações, consulte a descrição da mesma configuração em Simple Moving Average.