Suavización Exponencial Lineal de Brown en Excel (LESMTH)

Visite nuestro video tutorial acerca del Suavizado Exponencial Lineal (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 Optimization Off Decomposition

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.

Guion de Video

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!

 

Comentarios

Inicie sesión para dejar un comentario.

¿Fue útil este artículo?
Usuarios a los que les pareció útil: 0 de 0