Hur man beräknar vägda rörliga genomsnittsvärden i Excel med hjälp av exponentiell utjämning. Excel-dataanalys för dummies, andra utgåvan. Exponentiell utjämning i Excel beräknar glidande medelvärde. Exponentiell utjämning väger emellertid värdena som ingår i de genomsnittliga beräkningarna för att de senaste värdena har En större effekt på den genomsnittliga beräkningen och gamla värden har en mindre effekt Denna viktning uppnås genom en utjämningskonstant. För att illustrera hur verktyget för exponentiell utjämning fungerar, anta att du åter tittar på den genomsnittliga daglig temperaturinformationen. För att beräkna vägda glidmedel Använd följande exponentialutjämning: För att beräkna ett exponentiellt jämnt glidande medelvärde, klicka först på datafliken s Data Analysis-kommandoknappen. När Excel visar dialogrutan Dataanalys väljer du alternativet Exponentiell utjämning från listan och klickar sedan på OK. Excel visar dialogrutan Exponentiell utjämning. Identifiera data. För att identifiera t Han data för vilken du vill beräkna ett exponentiellt jämnt glidande medelvärde, klicka i textrutan Inmatningsområde Ange sedan ingångsintervallet, antingen genom att ange en arbetsbladets intervalladress eller genom att välja arbetsbladintervallet Om ditt ingångsområde innehåller en textetikett för att identifiera Eller beskriv dina data, markera kryssrutan Märk. Ange utjämningskonstanten. Ange utjämningskonstantvärdet i textrutan Dämpningsfaktor. Excel-hjälpfilen föreslår att du använder en utjämningskonstant mellan 0 2 och 0 3 Förmodligen, om Du använder det här verktyget, du har egna idéer om vad den korrekta utjämningskonstanten är. Om du inte klarar av utjämningskonstanten kanske du inte borde använda det här verktyget. Tala Excel var du ska placera exponentiellt jämnaste glidande genomsnittsdata. Använda Textrutan Utmatningsområde för att identifiera arbetsbladets intervall i vilket du vill placera den glidande genomsnittliga data I exemplet på arbetsbladet placerar du exempelvis den glidande genomsnittliga data i arbetsbladet Intervall B2 B10. Valfritt diagram Exponentially smoothed data. För att kartlägga exponentiellt jämna data, markera kryssrutan Diagramutmatning. Valfritt Ange att du vill att standardfelinformation ska beräknas. För att beräkna standardfel väljer du kryssrutan Standardfel Excel placerar standardfelvärden bredvid de exponentiellt släta glidande genomsnittsvärdena. Efter att du har angett vilken flyttbar genomsnittsinformation du vill ha beräknad och var du vill Den placeras klickar du på OK. Excel beräknar glidande genomsnittlig information. Exponential Filter. Den här sidan beskriver exponentiell filtrering, det enklaste och mest populära filtret. Det här är en del av avsnittet Filtrering som ingår i En guide till feldetektering och diagnos. Överblick, tidskonstant , Och analogt motsvarighet. Det enklaste filtret är exponentiellt filter. Det har bara en avstämningsparametrar annat än provintervallet. Det kräver att endast en variabel lagras - den föregående utgången. Det är ett IIR-autoregressivt filter. Effekterna av en ingångsändring sönderfall Exponentiellt tills gränserna för bildskärmar eller datorns aritmetiska gömmer sig. I olika discipliner används denna filt R kallas också exponentiell utjämning I vissa discipliner såsom investeringsanalys kallas exponentiellt filter en exponentiellt vägt rörlig genomsnittlig EWMA eller bara exponentiell rörlig genomsnittlig EMA. Detta missbrukar den traditionella ARMA-glidande genomsnittliga terminologin för tidsserieanalys eftersom det finns Ingen inmatningshistorik som används - bara den aktuella ingången. Det är den diskreta tidsekvivalenten för den första ordenslaggen som vanligtvis används i analog modellering av kontinuerliga styrsystem. I elektriska kretsar är ett RC-filterfilter med ett motstånd och en kondensator ett Första ordningens fördröjning När man betonar analogi med analoga kretsar, är singeljusteringsparametern tidskonstanten, vanligtvis skriven som små bokstäver grekiskt brev Tau Faktum är att värdena vid de enskilda provtiderna exakt matchar den ekvivalenta kontinuerliga tidsfördröjningen med samma Tidskonstant Förhållandet mellan digital implementering och tidskonstant visas i ekvationerna nedan. Exponentialfilter Ekvationer och initialisering. Det exponentiella filtret är en viktad kombination av föregående uppskattningsutgång med den nyaste ingångsdata med summan av vikterna lika med 1 så att utmatningen matchar ingången vid steady state. Följande filternotering är redan införd. -1 1-ax k. where xk är den råa ingången vid tiden steg kyk är den filtrerade utgången vid tiden steg ka är en konstant mellan 0 och 1, normalt mellan 0 8 och 0 99 a-1 eller a kallas ibland utjämningen Konstant. För system med ett bestämt tidssteg T mellan proverna beräknas konstanten a och lagras endast för bekvämlighet när applikationsutvecklaren anger ett nytt värde av den önskade tidskonstanten. Där tau är filtertidskonstanten i samma enheter av Tid som T. For system med dataprovtagning vid oregelbundna intervall måste exponentiell funktion ovan användas med varje tidsteg, där T är tiden sedan föregående prov. Filterutmatningen initieras vanligtvis för att matcha den första ingången. Tidskonstanten närmar sig 0, a går till noll, så det finns ingen filtrering av utgången är lika med den nya ingången Eftersom tidskonstanten blir väldigt stor, ett tillvägagångssätt 1, så att ny ingång nästan ignoreras mycket tung filtrering. Filterjämförelsen ovan kan Omformas till följande prediktorkorrigeringsekvivalent. Denna form gör det tydligare att filterets varierande uppskattningsutmatning förutses som oförändrad från föregående uppskattning y k-1 plus en korrigeringsperiod baserad på den oväntade innovationen - skillnaden mellan Den nya ingången xk och förutsägelsen y k-1 Denna form är också resultatet av att det exponentiella filtret härledas som ett enkelt speciellt fall av ett Kalman-filter vilket är den optimala lösningen på ett uppskattningsproblem med en viss uppsättning antaganden. Ett sätt att visualisera driften av det exponentiella filtret är att plotta sitt svar över tiden till en stegingång. Det är, från och med filteringången och utgången vid 0, ändras ingångsvärdet plötsligt till 1 De resulterande värdena anges nedan. I ovanstående diagram delas tiden upp med filtertidskonstanten tau så att du lättare kan förutsäga resultaten under en tidsperiod, för vilket värde som helst av filtertidskonstanten. Efter en tid som är lika med tiden Konstant växer filterutgången till 63 21 av sitt slutvärde Efter en tid som är lika med 2 tidskonstanter, stiger värdet till 86 47 av sitt slutvärde. Utgångarna efter tider lika med 3,4 och 5 tidskonstanter är 95 02, 98 17 och 99 33 av det slutliga värdet. Eftersom filtret är linjärt betyder det att dessa procentandelar kan användas för vilken storlek som helst av stegändringen, inte bara för värdet av 1 som används här. Även om stegsvaret i teorin Tar en oändlig tid, från en praktisk synpunkt, tänk på det exponentiella filtret som 98 till 99 gjort svarande efter en tid som motsvarar 4 till 5 filtertidskonstanter. Variationer på exponentiellt filter. Det finns en variation av exponentiellt filter som kallas en olinjär Exponentiellt filter Weber, 1980 i Ntended till starkt filter buller inom en viss typiska amplitud, men svara sedan snabbare på större förändringar. Copyright 2010 - 2013, Greg Stanley. Share this page. Exponential Smoothing Explained. Copyright Innehållet på är upphovsrättsskyddat och är inte tillgängligt för republicering. När folk först möter termen Exponentiell utjämning kan de tycka att det låter som ett helvete med mycket utjämning, oavsett utjämning. De börjar sedan förutse en komplicerad matematisk beräkning som sannolikt kräver en grad i matematik att förstå och hoppas att det finns en inbyggd - I Excel-funktion tillgänglig om de någonsin behöver göra det Verkligheten av exponentiell utjämning är betydligt mindre dramatisk och mycket mindre traumatisk. Sannan är exponentiell utjämning en mycket enkel beräkning som ger en ganska enkel uppgift. Det har bara ett komplicerat namn för vad Tekniskt händer som ett resultat av denna enkla beräkning är faktiskt lite komplicerat. För att förstå exponentiell utjämning, hjälper det För att börja med det allmänna begreppet utjämning och ett par andra vanliga metoder som används för att uppnå utjämning. Vad är utjämning. Utmattning är en mycket vanlig statistisk process. Vi stöter faktiskt regelbundet på smidiga data i olika former i våra dagliga liv Varje gång du använder ett medelvärde för att beskriva något, använder du ett jämnt antal Om du funderar på varför du använder ett medelvärde för att beskriva något, kommer du snabbt att förstå begreppet utjämning. Till exempel upplevde vi bara den varmaste vintern på rekord Vi kan kvantifiera det här Tja, vi börjar med dataset av de dagliga höga och låga temperaturerna för den period som vi kallar Vinter för varje år i inspelad historia Men det lämnar oss med en massa siffror som hoppa runt ganska lite det är inte som varje dag Denna vinter var varmare än motsvarande dagar från alla tidigare år Vi behöver ett nummer som tar bort allt detta hoppar runt från data så att vi lättare kan jämföra en vinter till nästa Ta bort jumpin G runt i data kallas utjämning och i det här fallet kan vi bara använda ett enkelt medelvärde för att åstadkomma utjämningen. I efterfrågan prognos använder vi utjämning för att avlägsna slumpvariationer från vår historiska efterfrågan. Detta gör att vi bättre kan identifiera efterfrågan mönster främst Trend och säsongssituation och efterfråganivåer som kan användas för att uppskatta framtida efterfrågan. Bruset i efterfrågan är samma begrepp som den dagliga hoppningen runt temperaturdata. Det är inte överraskande att den vanligaste sätten att människor tar bort ljud från efterfrågan är att använda ett enkelt medelvärde Eller mer specifikt ett glidande medelvärde Ett rörligt medelvärde använder bara ett fördefinierat antal perioder för att beräkna medelvärdet, och dessa perioder rör sig när tiden går. Till exempel om jag använder ett 4 månaders glidande medelvärde, och idag är den 1 maj, jag M med ett genomsnitt av efterfrågan som inträffade i januari, februari, mars och april den 1 juni kommer jag att använda efterfrågan från februari, mars, april och maj. Vägt genomsnittligt Tillämpar samma vikt vid varje värde i datamängden. I det 4 månaders glidande genomsnittet representerade varje månad 25 av det rörliga genomsnittet. När man använder efterfrågest History för att framställa framtida efterfrågan och speciellt framtida trend är det logiskt att dra slutsatsen att Du skulle vilja att nyare historia skulle få större inverkan på din prognos Vi kan anpassa vår genomsnittliga beräkning för att tillämpa olika vikter för varje period för att få våra önskade resultat. Vi uttrycker dessa vikter som procentandelar och summan av alla vikter för alla perioder Måste lägga till upp till 100 Om vi bestämmer att vi vill tillämpa 35 som vikten för närmaste period i vårt 4 månaders vägda glidande medelvärde, kan vi subtrahera 35 från 100 för att hitta att vi har 65 kvar att dela över de övriga 3 perioderna Till exempel kan vi sluta med en vikt på 15, 20, 30 och 35 för de fyra månaderna 15 20 30 35 100. Exponentialutjämning. Om vi går tillbaka till begreppet att applicera en vikt till den senaste perioden så som 35 i det föregående exemplet och sprida den återstående vikten beräknad genom att subtrahera den senaste periodvikten på 35 från 100 till 65, har vi de grundläggande byggstenarna för vår exponentiella utjämningsberäkning. Den kontrollerande ingången av exponentiell utjämningsberäkning är känd som utjämningen Faktor kallas också utjämningskonstanten. Det representerar väsentligen vikten applicerad på den senaste periodens efterfrågan. Så där vi använde 35 som viktningen för den senaste perioden i den vägda glidande genomsnittliga beräkningen, kunde vi också välja att använda 35 som utjämning Faktor i vår exponentiella utjämningsberäkning för att få en liknande effekt Skillnaden med exponentiell utjämningsberäkningen är att istället för att vi måste ta reda på hur mycket vikt som ska tillämpas för varje tidigare period används utjämningsfaktorn för att automatiskt göra det. Så här Kommer exponentiell del Om vi använder 35 som utjämningsfaktor, kommer viktningen av den senaste periodens efterfrågan att Vara 35 Vägningen av nästa senaste period s kräver perioden före den senaste kommer att vara 65 av 35 65 kommer att subtrahera 35 från 100 Detta motsvarar 22 75 viktning för den perioden om du gör matematiken. Nästa senaste period S efterfrågan kommer att vara 65 av 65 av 35, vilket motsvarar 14 79 Perioden innan den kommer att vägas som 65 av 65 av 65 av 35, vilket motsvarar 9 61 osv. Och det går vidare genom alla dina tidigare perioder Hela vägen tillbaka till början av tiden eller den punkt där du började använda exponentiell utjämning för det aktuella objektet. Du tänker troligen att det ser ut som en hel del matte Men skönheten i exponentiell utjämning beräkningen är det snarare än att ha Att omberäkna mot varje tidigare period varje gång du får en ny periodens efterfrågan, använder du helt enkelt utmatningen av exponentiell utjämningsberäkning från föregående period för att representera alla tidigare perioder. Är du förvirrad än, det här blir mer meningsfullt när w Jag tittar på den faktiska beräkningen. Typiskt hänvisar vi till utmatningen av exponentiell utjämningsberäkning som nästa prognos för perioden. I verkligheten behöver den ultimata prognosen lite mer arbete, men i den här specifika beräkningen ska vi referera till det som Prognosen. Exponential utjämningsberäkningen är enligt följande. Den senaste periodens efterfrågan multiplicerad med utjämningsfaktorn PLUS Den senaste periodens prognos multiplicerad med en minus utjämningsfaktorn. D senaste periodens efterfrågan S utjämningsfaktorn representerad i decimal Form så 35 skulle representeras som 0 35 F den senaste perioden s förutspår utmatningen av utjämningsberäkningen från föregående period. OR förutsatt att en utjämningsfaktor är 0 35. Det blir inte mycket enklare än det. Som du kan se, Allt vi behöver för datainmatningar här är den senaste periodens efterfrågan och den senaste periodens prognos Vi tillämpar utjämningsfaktorns viktning till den senaste perioden som kräver samma sätt som vi skulle N den vägda glidande genomsnittliga beräkningen Vi applicerar sedan den återstående vikten 1 minus utjämningsfaktorn till den senaste periodens prognos. Eftersom den senaste periodens prognos skapades baserat på föregående period s efterfrågan och föregående period s prognos, vilket var Baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på efterfrågan på perioden före det och prognosen för perioden före det, vilket var baserat på perioden före det. Väl du Kan se hur alla tidigare periodens efterfrågan representeras i beräkningen utan att faktiskt gå tillbaka och räkna om någonting. Och det var det som körde den initiala exponentialutjämningens initiala popularitet. Det var inte eftersom det gjorde ett bättre jobb med utjämning än viktat glidande medelvärde, det var Eftersom det var lättare att beräkna i ett datorprogram Och eftersom du inte behövde tänka på vilken viktning som ska ge tidigare perioder eller hur många tidigare perioder du ska använda som yo Du skulle i viktat glidande medelvärde och eftersom det bara lät kallare än det viktade glidande genomsnittet. Det kan faktiskt argumenteras för att det vägda glidande medlet ger större flexibilitet eftersom du har större kontroll över vikten av tidigare perioder. Verkligheten är en av dessa kan Tillhandahålla respektabla resultat, varför varför inte gå med enklare och svalare ljud. Exponentialutjämning i Excel. Läs om hur det här verkligen skulle se i ett kalkylblad med verkliga data. Copyright-innehållet på är upphovsrättsskyddat och är inte tillgängligt för republicering. I Figur 1A har vi ett Excel-kalkylblad med 11 veckors efterfrågan och en exponentiellt jämnprognos beräknad från den efterfrågan jag har använt en utjämningsfaktor på 25 0 25 i cell C1 Den nuvarande aktiva cellen är Cell M4 som innehåller prognosen för vecka 12 Du Kan se i formelraden, är formeln L3 C1 L4 1- C1 Så de enda direkta ingångarna till denna beräkning är den tidigare perioden s efterfrågan Cell L3, den föregående perioden s prognos Cell L4, Och utjämningsfaktorn Cell C1, som visas som absolut cellreferens C1.När vi börjar en exponentiell utjämningsberäkning måste vi manuellt ansluta värdet för den första prognosen. Så i Cell B4, i stället för en formel, skrev vi bara efterfrågan från Samma period som prognosen I Cell C4 har vi vår första exponentiella utjämningsberäkning B3 C1 B4 1- C1 Vi kan sedan kopiera Cell C4 och klistra in den i cellerna D4 till M4 för att fylla resten av våra prognosceller. Du kan nu dubbel - Klicka på någon prognoscell för att se att den är baserad på den tidigare periodens prognoscell och föregående cellens efterfrågecell Så att varje efterföljande exponentiell utjämningsberäkning ärverver utgången från den tidigare exponentiella utjämningsberäkningen. Det är hur varje efterfråges efterfrågan representeras i Den senaste periodens beräkning trots att den här beräkningen inte direkt hänvisar till de tidigare perioderna. Om du vill bli snygg kan du använda Excel s trace precedents funktion För att göra detta klickar du på Cell M4 , Klicka sedan på verktygsfältet Excel 2007 eller 2010 på Formulas-fliken och klicka sedan på Trace Precedents. Det kommer att dra anslutningslinjer till 1: a nivået av prejudikat, men om du fortsätter att klicka på Trace Precedents kommer det att dra anslutningslinjer till alla tidigare perioder för att visa Du är de arvade förhållandena. Nu får vi se vilken exponentiell utjämning som gjordes för oss. Figur 1B visar ett linjediagram över vår efterfrågan och prognos. Du ser hur den exponentiellt släta prognosen avlägsnar det mesta av den jaggedness som hoppar runt från den veckovisa efterfrågan, men fortfarande Klarar av att följa det som tycks vara en uppåtgående trend i efterfrågan. Du kommer också märka att den släta prognoslinjen tenderar att vara lägre än efterfrågan. Detta kallas trendslag och är en bieffekt av utjämningsprocessen. Varje gång du använder utjämning när En trend är närvarande Din prognos kommer att ligga bakom trenden Detta gäller för eventuell utjämningsteknik Faktum är att om vi skulle fortsätta detta kalkylblad och börja skriva in lägre efterfråganummer gör annonsen Egenutveckling du skulle se efterfrågan radfall och trendlinjen flytta ovanför den innan du börjar följa den nedåtgående trenden. Det är därför jag tidigare nämnde resultatet från exponentiell utjämningsberäkning som vi kallar en prognos, behöver fortfarande lite mer arbete där Är mycket mer att prognostisera än att bara utjämna stötarna i efterfrågan. Vi behöver göra ytterligare justeringar för saker som trendlag, säsonglighet, kända händelser som kan påverka efterfrågan osv. Men allt som ligger utanför ramen för denna artikel. Du kommer sannolikt att Även köra in i termer som dubbel exponentiell utjämning och trippel-exponentiell utjämning. Dessa termer är lite vilseledande eftersom du inte omformar efterfrågan flera gånger du kan om du vill, men det är inte meningen här. Dessa termer representerar exponentiell utjämning På ytterligare element i prognosen Så med enkel exponentiell utjämning, utjämnar du basbehovet, men med dubbel exponentiell utjämning stryker du basbehovet plus Trenden och med trippel exponentiell utjämning utjämnar du basbehovet plus trenden plus säsongsmässigheten. Den vanligaste frågan om exponentiell utjämning är var får jag min utjämningsfaktor Det finns inget magiskt svar här, du måste testa Olika utjämningsfaktorer med dina efterfrågade data för att se vad som får dig bäst resultat Det finns beräkningar som automatiskt kan ställa in och ändra utjämningsfaktorn Dessa faller under termen adaptiv utjämning, men du måste vara försiktig med dem. Det är helt enkelt inget perfekt svar och Du bör inte blinda genomföra någon beräkning utan noggrann testning och utveckla en grundlig förståelse av vad den beräkningen gör. Du bör också köra scenarier för hur du kan se hur dessa beräkningar reagerar på efterfrågesändringar som för närvarande inte existerar i de efterfrågade data du använder för Test. Det dataexempel som jag använde tidigare är ett mycket bra exempel på en situation där du verkligen behöver testa några andra scenarier T Hat speciellt data exempel visar en något konsekvent uppåtgående trend Många stora företag med mycket dyra prognoser mjukvaran fick stora problem i det inte så långa förflutet när deras programvaruinställningar som var tweaked för en växande ekonomi inte reagerade bra när ekonomin började stagnera Eller krympande Saker som detta händer när du inte förstår vad dina beräkningar programvara faktiskt gör Om de förstod sitt prognossystem skulle de ha vetat att de behövde hoppa in och ändra något när det var plötsliga dramatiska förändringar i deras affärer. Så där du Har det grunderna för exponentiell utjämning förklaras Vill du veta mer om att använda exponentiell utjämning i en faktisk prognos, kolla in min bok Inventory Management Explained. Copyright Innehållet på är upphovsrättsskyddat och är inte tillgängligt för republicering. Dave Piasecki är ägare operatör av Inventory Operations Consulting LLC ett konsultföretag som tillhandahåller tjänster relaterade till lagerhantering, matta Erial hantering och lagerverksamhet Han har över 25 års erfarenhet av operationshantering och kan nås via sin webbplats, där han behåller ytterligare relevant information. My Business.
No comments:
Post a Comment