Pronosticar El Promedio Móvil Excel

Media móvil Este ejemplo le enseña cómo calcular el promedio móvil de una serie de tiempo en Excel. Una gran ventaja se utiliza para suavizar las irregularidades (picos y valles) para reconocer fácilmente las tendencias. 1. En primer lugar, echemos un vistazo a nuestra serie de tiempo. 2. En la ficha Datos, haga clic en Análisis de datos. Nota: no puede encontrar el botón Análisis de datos Haga clic aquí para cargar el complemento Herramientas de análisis. 3. Seleccione Media móvil y haga clic en Aceptar. 4. Haga clic en el cuadro Rango de entrada y seleccione el rango B2: M2. 5. Haga clic en el cuadro Interval y escriba 6. 6. Haga clic en el cuadro Rango de salida y seleccione la celda B3. 8. Trazar un gráfico de estos valores. Explicación: dado que establecemos el intervalo en 6, el promedio móvil es el promedio de los 5 puntos de datos anteriores y el punto de datos actual. Como resultado, los picos y valles se suavizan. El gráfico muestra una tendencia creciente. Excel no puede calcular el promedio móvil para los primeros 5 puntos de datos porque no hay suficientes puntos de datos anteriores. 9. Repita los pasos 2 a 8 para el intervalo 2 y el intervalo 4. Conclusión: Cuanto mayor sea el intervalo, más se suavizarán los picos y los valles. Cuanto más pequeño es el intervalo, más cerca están las medias móviles de los puntos de datos reales. Como usted podría adivinar, estamos estudiando algunos de los enfoques más primitivos para la predicción. Pero espero que estas sean al menos una introducción valiosa a algunos de los problemas de computación relacionados con la implementación de pronósticos en hojas de cálculo. En este sentido, continuaremos comenzando desde el principio y comenzando a trabajar con las previsiones de Media móvil. Pronósticos de media móvil. Todo el mundo está familiarizado con los pronósticos de promedio móvil, independientemente de si creen que son. Todos los estudiantes universitarios lo hacen todo el tiempo. Piense en los resultados de su examen en un curso en el que va a tener cuatro pruebas durante el semestre. Supongamos que tienes un 85 en tu primera prueba. ¿Qué predecirías para tu segundo puntaje de prueba? ¿Qué crees que tu maestro predijo para tu siguiente puntaje de prueba? ¿Qué crees que tus amigos podrían predecir para tu siguiente puntaje de prueba? ¿Qué crees que tus padres podrían predecir para tu próximo puntaje de prueba? Todo el blabbing que usted puede hacer a sus amigos y padres, él y su profesor son muy probables esperar que usted consiga algo en el área de los 85 que usted acaba de conseguir. Bueno, ahora vamos a suponer que a pesar de su autopromoción a sus amigos, usted se sobreestimar y la figura que puede estudiar menos para la segunda prueba y por lo que se obtiene un 73. Ahora lo que todos los interesados ​​y despreocupado va a Anticipar que usted conseguirá en su tercer examen Hay dos acercamientos muy probables para que desarrollen una estimación sin importar si lo compartirán con usted. Pueden decir a sí mismos: "Este tipo siempre está soplando el humo de su inteligencia. Hes va a conseguir otro 73 si hes suerte. Tal vez los padres tratarán de ser más solidarios y decir: "Bueno, hasta ahora has conseguido un 85 y un 73, por lo que tal vez debería figura en obtener sobre un (85 73) / 2 79. No sé, tal vez si usted hizo menos Fiesta y werent meneando la comadreja en todo el lugar y si comenzó a hacer mucho más estudiando que podría obtener una puntuación más alta. quot Ambos de estos estimados son en realidad las previsiones de promedio móvil. El primero es usar sólo su puntaje más reciente para pronosticar su rendimiento futuro. Esto se denomina pronóstico de media móvil utilizando un período de datos. El segundo es también un pronóstico de media móvil, pero utilizando dos períodos de datos. Vamos a asumir que todas estas personas estallando en su gran mente tienen tipo de molesto y usted decide hacer bien en la tercera prueba por sus propias razones y poner una puntuación más alta en frente de sus quotalliesquot. Usted toma la prueba y su puntuación es en realidad un 89 Todos, incluido usted mismo, está impresionado. Así que ahora tiene la prueba final del semestre que viene y como de costumbre se siente la necesidad de incitar a todos a hacer sus predicciones acerca de cómo youll hacer en la última prueba. Bueno, espero que veas el patrón. Ahora, espero que puedas ver el patrón. ¿Cuál crees que es el silbido más preciso mientras trabajamos? Ahora volvemos a nuestra nueva compañía de limpieza iniciada por su hermana separada llamada Whistle While We Work. Tiene algunos datos de ventas anteriores representados en la siguiente sección de una hoja de cálculo. Primero presentamos los datos para un pronóstico de media móvil de tres periodos. La entrada para la celda C6 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C7 a C11. Observe cómo el promedio se mueve sobre los datos históricos más recientes, pero utiliza exactamente los tres períodos más recientes disponibles para cada predicción. También debe notar que realmente no necesitamos hacer las predicciones para los períodos pasados ​​con el fin de desarrollar nuestra predicción más reciente. Esto es definitivamente diferente del modelo de suavizado exponencial. He incluido las predicciones anteriores porque las usaremos en la siguiente página web para medir la validez de la predicción. Ahora quiero presentar los resultados análogos para un pronóstico de media móvil de dos periodos. La entrada para la celda C5 debe ser Ahora puede copiar esta fórmula de celda abajo a las otras celdas C6 a C11. Observe cómo ahora sólo se usan las dos más recientes piezas de datos históricos para cada predicción. Nuevamente he incluido las predicciones anteriores para fines ilustrativos y para uso posterior en la validación de pronósticos. Algunas otras cosas que son importantes de notar. Para una predicción de promedio móvil del período m sólo se usan los m valores de datos más recientes para hacer la predicción. Nada más es necesario. Para una predicción media móvil del período m, al hacer predicciones quotpast, observe que la primera predicción ocurre en el período m 1. Ambas cuestiones serán muy significativas cuando desarrollemos nuestro código. Desarrollo de la función de media móvil. Ahora necesitamos desarrollar el código para el pronóstico del promedio móvil que se puede usar con más flexibilidad. El código sigue. Observe que las entradas son para el número de períodos que desea utilizar en el pronóstico y la matriz de valores históricos. Puede guardarlo en cualquier libro que desee. Función MovingAverage (Histórica, NumberOfPeriods) Como única Declaración e inicialización de variables Dim Item como variante Dim Contador como Entero Dim Acumulación como único Dim HistoricalSize As Entero Inicialización de variables Counter 1 Acumulación 0 Determinación del tamaño del historial HistoricalSize Historical. Count For Counter 1 To NumberOfPeriods Acumulación del número apropiado de los valores observados anteriormente más recientes Acumulación Acumulación Histórica (HistoricalSize - NumberOfPeriods Counter) MovingAverage Acumulación / NumberOfPeriods El código se explicará en la clase. Desea colocar la función en la hoja de cálculo para que aparezca el resultado de la computación donde debería tener gusto de lo siguiente. Crear un movimiento simple Este es uno de los tres artículos siguientes sobre el Análisis de series temporales en Excel Visión general del promedio móvil La media móvil Es una técnica estadística utilizada para suavizar las fluctuaciones a corto plazo en una serie de datos con el fin de reconocer más fácilmente tendencias o ciclos a más largo plazo. El promedio móvil se refiere a veces como promedio móvil o promedio corriente. Un promedio móvil es una serie de números, cada uno de los cuales representa el promedio de un intervalo de número especificado de períodos anteriores. Cuanto mayor es el intervalo, más suavizado se produce. Cuanto menor sea el intervalo, más el promedio móvil se asemeja a la serie de datos reales. Las medias móviles realizan las tres funciones siguientes: Suavizar los datos, lo que significa mejorar el ajuste de los datos a una línea. Reducir el efecto de la variación temporal y el ruido aleatorio. Resaltando valores atípicos por encima o por debajo de la tendencia. El promedio móvil es una de las técnicas estadísticas más utilizadas en la industria para identificar tendencias de datos. Por ejemplo, los gerentes de ventas suelen ver los promedios móviles de tres meses de los datos de ventas. El artículo comparará los promedios móviles simples de dos meses, tres meses y seis meses de los mismos datos de venta. El promedio móvil se utiliza con bastante frecuencia en el análisis técnico de datos financieros, como los rendimientos de las acciones y en la economía, para localizar tendencias en series temporales macroeconómicas como el empleo. Hay una serie de variaciones de la media móvil. Los más empleados son el promedio móvil simple, el promedio móvil ponderado y el promedio móvil exponencial. Realizar cada una de estas técnicas en Excel se tratará en detalle en artículos separados en este blog. Aquí hay una breve descripción de cada una de estas tres técnicas. Promedio móvil simple Cada punto en una media móvil simple es el promedio de un número especificado de períodos anteriores. Este artículo de blog proporcionará una explicación detallada de la implementación de esta técnica en Excel. Promedio móvil ponderado Los puntos de la media móvil ponderada también representan un promedio de un número específico de períodos anteriores. La media móvil ponderada aplica ponderaciones diferentes a ciertos períodos anteriores con bastante frecuencia, a los periodos más recientes se les da mayor peso. Un enlace a otro artículo de este blog que proporciona una explicación detallada de la implementación de esta técnica en Excel es el siguiente: Promedio móvil exponencial Los puntos en el promedio móvil exponencial también representan una media de un número especificado de períodos anteriores. El suavizado exponencial aplica factores de ponderación a períodos anteriores que disminuyen exponencialmente, nunca llegando a cero. Como resultado el suavizado exponencial tiene en cuenta todos los períodos anteriores en lugar de un número designado de períodos anteriores que hace la media móvil ponderada. Un enlace a otro artículo de este blog que proporciona una explicación detallada de la implementación de esta técnica en Excel es el siguiente: El siguiente describe el proceso de 3 pasos de crear una media móvil simple de datos de series de tiempo en Excel Paso 1 8211 Graph Los datos originales en un gráfico de series de tiempo El gráfico de líneas es el gráfico de Excel más utilizado para graficar datos de series de tiempo. Un ejemplo de un gráfico de Excel utilizado para representar 13 periodos de datos de ventas se muestra a continuación: Paso 2 8211 Creación del promedio móvil en Excel Excel proporciona la herramienta Media móvil en el menú Análisis de datos. La herramienta Promedio móvil crea un promedio móvil simple de una serie de datos. El cuadro de diálogo Promedio móvil debe rellenarse de la siguiente manera para crear una media móvil de los 2 períodos anteriores de datos para cada punto de datos. La salida de la media móvil de 2 periodos se muestra como sigue, junto con las fórmulas que se utilizaron para calcular el valor de cada punto en la media móvil. Paso 3 8211 Agregar la serie de medias móviles al gráfico Estos datos deben agregarse ahora al gráfico que contiene los datos originales de línea de tiempo de ventas. Los datos se añadirán simplemente como una serie más de datos en el gráfico. Para ello, haga clic con el botón derecho en cualquier parte del gráfico y aparecerá un menú. Pulse Seleccionar datos para agregar la nueva serie de datos. La serie de media móvil se agregará completando el cuadro de diálogo Editar serie de la siguiente manera: El gráfico que contiene la serie de datos original y el promedio móvil simple de 2 intervalos de datos se muestra como sigue. Tenga en cuenta que la línea de media móvil es bastante más suave y las desviaciones de los datos brutos por encima y por debajo de la línea de tendencia son mucho más evidentes. La tendencia general es ahora mucho más evidente también. Una media móvil de 3 intervalos puede ser creada y colocada en el gráfico usando el mismo procedimiento que sigue: Es interesante observar que el promedio móvil de 2 intervalos crea un gráfico más suave que el promedio móvil de 3 intervalos. En este caso, la media móvil simple de 2 intervalos podría ser la más deseable que la media móvil de 3 intervalos. A modo de comparación, se calculará un promedio móvil simple de 6 intervalos y se agregará al gráfico de la misma manera que a continuación: Como se esperaba, el promedio móvil simple de 6 intervalos es significativamente más suave que los promedios móviles simples de 2 ó 3 intervalos. Un gráfico más suave se ajusta más estrechamente a una línea recta. Análisis de precisión de pronóstico La precisión se puede describir como bondad de ajuste. Los dos componentes de la precisión de los pronósticos son los siguientes: Tendencia de los pronósticos 8211 La tendencia de un pronóstico a ser consistentemente mayor o menor que los valores reales de una serie temporal. El sesgo de pronóstico es la suma de todo error dividido por el número de períodos como sigue: Un sesgo positivo indica una tendencia a la subprevisión. Un sesgo negativo indica una tendencia a pronosticar. El sesgo no mide la precisión porque los errores positivos y negativos se anulan mutuamente. Error de pronóstico 8211 Diferencia entre los valores reales de una serie temporal y los valores previstos de la predicción. Las medidas más comunes de error de pronóstico son las siguientes: MAD 8211 Desviación media absoluta MAD calcula el valor absoluto medio del error y se calcula con la siguiente fórmula: La media de los valores absolutos de los errores elimina el efecto de cancelación de errores positivos y negativos. Cuanto más pequeño es el MAD, mejor es el modelo. MSE 8211 Mean Squared Error MSE es una medida popular de error que elimina el efecto de cancelación de errores positivos y negativos sumando los cuadrados del error con la siguiente fórmula: Los términos de error grande tienden a exagerar MSE porque los términos de error son todos cuadrados. RMSE (Root Square Mean) reduce este problema tomando la raíz cuadrada de MSE. MAPE 8211 Error medio de porcentaje absoluto MAPE también elimina el efecto de cancelación de errores positivos y negativos sumando los valores absolutos de los términos de error. MAPE calcula la suma de los términos de error porcentual con la siguiente fórmula: Mediante la suma de los términos de error porcentual, MAPE puede utilizarse para comparar modelos de pronóstico que utilizan diferentes escalas de medida. Calculando el sesgo, MAD, MSE, RMSE y MAPE en Excel Para el sesgo de media móvil simple, MAD, MSE, RMSE y MAPE se calcularán en Excel para evaluar el movimiento simple de 2 intervalos, 3 intervalos y 6 intervalos Promedio de predicción obtenido en este artículo y se muestra como sigue: El primer paso es calcular E t. E t 2. E t, E t / Y t-act. Y los suma de la siguiente manera: Bias, MAD, MSE, MAPE y RMSE se pueden calcular de la siguiente manera: Los mismos cálculos se realizan ahora para calcular Bias, MAD, MSE, MAPE y RMSE para el promedio móvil simple de 3 intervalos. Los mismos cálculos se realizan ahora para calcular Bias, MAD, MSE, MAPE y RMSE para la media móvil simple de 6 intervalos. El sesgo, MAD, MSE, MAPE y RMSE se resumen para los promedios móviles simples de 2 intervalos, 3 intervalos y 6 intervalos como sigue. La media móvil simple de 3 intervalos es el modelo que más se ajusta a los datos reales. 160 Excel Master Series Blog Directorio Temas estadísticos y artículos en cada tema