Visite nuestro video tutorial acerca del Suavizado Exponencial Lineal de Brown (LESMTH) que aparece a continuación. La lista de reproducción contiene tutoriales que enseñan a utilizar el interruptor de optimización y a calcular usando la descomposición estacional.
Optimization On
En este video les mostramos cómo usar la función de suavizado exponencial lineal de Brown en NumXL con un conmutador de optimización para factores de suavizado.
Escena 1:
Hola y bienvenidos a la serie de Tutoriales de Suavizado Exponencial. En este tutorial resumiremos la demostración de la función de suavizado exponencial lineal de Brown y el uso del optimizador incorporado en NumXL. Para la muestra de datos estamos usando los mismos datos de volumen de demandas semanales para un SKU hipotético.
Empecemos! Seleccionemos la celda D9. Examinemos la fórmula de la celda en la barra de herramientas de la fórmula, notemos que ya tenemos un llamado para la función de suavizado exponencial simple así que presionemos F2 para editar. Ahora hagamos clic en el botón FX que se encuentra a la izquierda de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función para la función de suavizado exponencial simple.
Escena 2:
Notemos que la celda D2 se usa para el argumento de optimizar de manera que no tenemos que cambiar la fórmula solamente el valor en dedos para activar o desactivar el optimizador. Ahora hagamos clic en cancelar para devolvernos a la hoja de cálculo.
Escena 3:
Seleccionemos la celda D2 y escribamos verdadero o uno. Luego presionemos enter cuando hayamos acabado.
Escena 4:
Como tenemos el cálculo automático activado todos los valores de las series de tiempo suavizadas son re calculados usando el factor de suavizado óptimo también conocido como alfa. Notemos los cambios favorables en el error cuadrática medio, el error de media absoluta y el error medio simétrico porcentual absoluto.
El suavizado exponencial lineal calibrado tiene un error de media absoluto 26% menor que el de un modelo de referencia primitivo. La función calculará un nuevo valor a medida que los datos se hacen disponibles y ahora qué pasará con el valor de alpa en D1 cuando la bandera del optimizador está activada la función utiliza el valor de alfa como valor inicial para el optimizador.
Escena 5:
Ahora examinemos el valor del parámetro de suavizado en cada periodo. Seleccionemos la celda E9 y empecemos a escribir la función de suavizado exponencial lineal, LESMTH(.
Escena 6:
Ahora hagamos clic en el botón FX que se encuentra a la izquierda de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función para la función de suavizado exponencial lineal.
Luego especificamos el rango de celdas de ingreso. Este es el mismo rango de celdas que usamos antes para el pronóstico en la columna D. Lo que vemos la celda de inicio en el rango de ingreso presionando F4. Ingresemos un valor de falso o 1 en el campo del orden.
Para el valor inicial de alfa usemos el valor en D1. Lo que vemos la celda presionando F4.
Para el botón de optimizar usamos el valor en la celda D2. Lo que hemos la celda presionando F4. Establezcamos el tiempo de pronóstico en 0 usemos el valor en la celda A9 y bloqueamos la celda para el movimiento de la columna.
Para el tipo de retorno ingresemos 1 para devolver el valor del parámetro de suavizado. Luego hagamos clic en aceptar.
Escena 7:
El optimizador incorporado requiere unas pocas observaciones no faltantes para operar de lo contrario devolverá el valor inicial de alfa como sucede aquí.
Escena 8:
Copiemos la fórmula de las celdas abajo.
Escena 9:
Se calcula el valor del parámetro de suavizado en cada periodo. Graphic hemos los valores del factor de suavizado versus el tiempo.
La gráfica muestra la volatilidad del valor de alfa calculado a través de la muestra del primer año. En el segundo año el valor del factor de suavizado desciende a valores muy bajos y luego asciende a 3.5%.
Entonces qué está ocurriendo? La función SSE parece tener múltiples mínimos y su valor es comparativamente cercano. Anteriormente en los datos de muestra el primer mínimo parecía tener el menor valor y a medida que tenemos más observaciones el segundo mínimo tiene menos valor de manera que fue tomado por el optimizador. Véanlo ustedes mismos simplemente calculando el SSE cuando alfa es 3.5% y para 0.6%. Importa cual alfa usar, preferimos un valor de alfa estable a lo largo del tiempo así podemos designar parte de los datos de muestra como un conjunto de entrenamiento y usa el resto para acceder al poder de pronóstico.
En este escenario usaremos las primeras 85 observaciones, 1.5 años como conjunto de entrenamiento y dejemos 9 observaciones para medir la exactitud del pronóstico.
En un tutorial de seguimiento dividiremos los datos de ingreso en dos componentes, nivel y tendencia, y buscaremos el suavizado exponencial lineal para sus valores.
Escena 10:
Eso es todo por ahora, gracias por vernos!
Optimization Off
En este video les mostramos cómo utilizar la función de suavizado exponencial lineal de Brown en NumXL sin el conmutador de optimización para factores de suavizado.
Escena 1:
Buenos días y bienvenidos a la serie de Tutoriales de Suavizado Exponencial. Vamos a demostrar la función de suavizado exponencial lineal en Microsoft Excel. Para los datos de la muestra estamos usando el volumen de demanda semanal para un artículo hipotético. El suavizado exponencial lineal de Brown funciona mejor con un conjunto de datos que exhiben la tendencia sobre el tiempo pero no la estacionalidad. Así pues examinemos el conjunto de datos para la suposición de la tendencia usando la función incorporada de la gráfica de excel dibujamos una tendencia a través de los datos.
Escena 2:
Los datos de demanda semanal muestran una significativa tendencia a la baja con un valor cuadrática de R alrededor de 10%. Esto luce bien. Empecemos!
Seleccionemos la celda D9 desocupada. Escribamos el nombre de la función LESMTH en la celda o en la barra de herramientas de la ecuación. No tenemos que la característica de autocompletado en Microsoft Excel nos va a ayudar a encontrar la función correcta.
Una vez encontramos la función correcta hagamos clic en el botón FX ubicado a la izquierda de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función para la función de suavizado exponencial lineal.
Escena 3:
Usando el cuadro de diálogo con los argumentos de la función especificamos el rango de celdas de entrada. Lo que hemos el rango de celdas de inicio presionando F4. En el campo de orden especificamos uno para el orden de tiempo en las series o simplemente ingresemos la primera observación en las series de entrada que corresponde a los datos más recientes.
Para el parámetro de suavizado podemos ingresar un valor o referencia en una celda existente en este ejemplo hagamos referencia al valor D1 y lo que vemos la celda de referencia presionando F4.
Para deshabilitar en inhabilitar el optimizador incorporado de la función debemos ingresar un valor de verdadero o falso o hacer referencia a una celda en nuestra hoja de cálculo, hagamos entonces referencia a la celda D2. Lo que vemos la celda de referencia presionando F4.
Para el tiempo del pronóstico estaremos pronosticando el valor al final de los datos de ingreso de manera que asignemos el valor cero a ti o mejor hagamos referencia a la celda en la columna A de tal forma que podamos cambiarla luego del final de los datos de ingreso. Bloqueamos la celda para la columna móvil ingresando F4 hasta que el signo de dólar aparezca a la izquierda.
Para el tipo de retorno dejemos un espacio en blanco o ingresemos el 0 para el pronóstico. Luego hagamos clic en aceptar.
Escena 4:
La función de retorno no aplica ya que no tenemos datos suficientes. Copiamos las fórmulas en las celdas abajo de ella.
Escena 5:
Copiamos la fórmula en las celdas después del final de los datos de ingreso, no tenemos como cambiamos el valor de paso en incremento. No se preocupen por las celdas vacías que fueron seleccionadas después del final de los datos de ingreso, la función las ignorará.
Escena 6:
El pronóstico de pasos múltiples del exponencial lineal de Brown es una línea recta como se muestra en la gráfica. Para cuantificar el poder de pronóstico en general del suavizado exponencial lineal usaremos tres funciones: error cuadrática medio, MSE por sus siglas en inglés; error porcentual absoluto medio, MAPE por sus siglas en inglés; y error escalado absoluto medio, MASE por sus siglas en inglés como se muestra en las celdas D4 a D6.
Escena 7:
Intentemos cambiar el parámetro de suavizado a 7.0%, esto no luce bien. Ahora la medida del comportamiento de pronóstico se ve peor.
Escena 8:
Qué tal el 10%? No tampoco funciona mejor.
Escena 9:
Que tal un 12.0%? No hubo suerte. En la siguiente parte de este tutorial usaremos el optimizador con función incorporada para encontrar el mejor valor del parámetro de suavizado, alfa. También examinaremos la mejoría en el poder de pronóstico de modelo.
Escena 10:
Eso es todo por ahora, gracias por vernos!
Brown's Linear Exponential Smoothing Components
En este video les mostramos cómo calcular el suavizado exponencial lineal con descomposición estacional.
Escena 1:
Hola y bienvenidos a la serie de Tutoriales de Suavizado Exponencial. En nuestros pasados tutoriales hemos discutido cómo construir uno o múltiples pasos de un pronóstico de muestra y el proceso de calibrado para los parámetros de suavizado del suavizado exponencial lineal.
Ahora demostraremos cómo calcular un pronóstico ajustado o dentro de la muestra y sus componentes, nivel y tendencia. Para datos de la muestra continuaremos usando el volumen de demanda semanal de un producto hipotético en los últimos dos años.
Primero seleccionemos la celda E9, escribamos entonces el nombre de la función exponencial lineal LESMTH(. Una vez encontremos la función hacemos clic en el botón FX que se encuentra en el lado izquierdo de la barra de herramientas de la ecuación. Esto invocará el cuadro de diálogo con los argumentos de la función para la función LESMTH.
Escena 2:
Para los datos de ingreso seleccionemos todo el rango de celdas correspondiente a los datos del volumen de demanda que es C9 A C102. Lo que hemos el rango de celdas presionando F4.
Para el orden de tiempo en los datos de ingreso ingresemos verdadero o 1 para designar la primera observación C9 como la observación más reciente.
Para el valor de alfa seleccionemos la celda en D1, el valor en D1 fue calculado durante el calibrado usando todo el conjunto de datos. Lo que vemos las celdas de referencia presionando F4.
Para el intercambio de optimización dejémoslo inhabilitado haciendo referencia a la celda D2.
Para el tiempo de pronóstico ingresemos su seleccionemos una celda con el valor del número de pasos más allá del final de los datos a incluir. Bloqueemos esta referencia presionando F4.
Para el tipo de retorno escribamos 2 para series de componente de nivel para un paso dentro de la muestra. Ahora demos clic en aceptar.
Escena 3:
La función devuelve el primer valor en la matriz. Para desplegar toda la matriz seleccionemos todas las celdas de abajo y luego. Presionemos F2 para editar. Presionemos ctrl + shift + enter.
Escena 4:
Las celdas seleccionadas ahora están pobladas con los valores de la matriz y la fórmula está entre paréntesis en cursiva. Para los valores de componente de tendencia copiamos la fórmula de E10. Seleccionemos la celda F10 y presionemos F2 para editar la fórmula copiada.
Escena 5:
Hagamos clic en el botón FX encontrado en el lado izquierdo de la barra de herramientas de la ecuación, esto invocará el cuadro de diálogo con los argumentos de la función para la función LESMTH. En el cuadro de diálogo de los argumentos de la función cambiemos el tipo de retorno a 3 y luego presionamos el botón aceptar.
Escena 6:
Para desplegar toda la matriz de componente de tendencia seleccionemos todas las celdas de abajo y luego. Presionemos F2 para editar. Presionamos ctrl + shift + enter.
Escena 7:
Las celdas seleccionadas ahora están pobladas con los valores de la matriz y la fórmula está rodeada por paréntesis en cursiva. Repitamos los mismos pasos para el pronóstico de un paso dentro de la muestra.
Escena 8:
Cambiemos el tipo de retorno a 4 que es el pronóstico dentro de la muestra. Presionamos el botón aceptar.
Escena 9:
Para desplegar toda la matriz del componente de tendencia seleccionemos las celdas de abajo y luego. Presionemos F2 para editar. Presionemos ctrl + shift + enter.
Escena 10:
Las celdas seleccionadas ahora están pobladas con los valores de la matriz y la fórmula está rodeada con paréntesis en cursiva.
Escena 11:
Graficemos los valores de los componentes de nivel y de tendencia a través de los datos de la muestra. Los valores de magnitud de nivel y tendencia son muy diferentes así que para ilustrar hemos graficado las series de nivel usando el eje zurdo y el componente de tendencia está usando el eje diestro.
Escena 12:
Eso es todo por ahora, gracias por vernos!
Comentarios
Inicie sesión para dejar un comentario.