전면 가중 이동 평균 계산

TC2000 지원 기사. 프런트 가중 이동 평균 FWMA v16. 프런트 가중 이동 평균 계산. 프론트 가중 이동 평균은 개인 기준 수식 언어에 내장되어 있지 않지만 PCF에서 FWMA의 구성은 상당히 직설적입니다. 프런트 가중 이동 평균 데이터의 마디 바를 사용하여 계산됩니다. 따라서 2주기 프론트 가중 이동 평균은 계산하기 위해 2 마디의 데이터를 필요로하고 30 마디의 프런트 가중 이동 평균은 계산하기 위해 30 마디의 데이터를 필요로합니다. 새로운 데이터가 주어지기 때문에 이동 평균을 프론트 가중치라고합니다 계산에서 이전 데이터보다 더 큰 가중치 이전의 각 막대는 계산에 사용 된 분모를 전체적으로 계산하지 않을 때 계산에 사용 된 계수를 1 씩 줄입니다. 가장 최근의 막대에 마침표를 곱한 다음 이전의 각 막대는 계산에 사용 된 가장 오래된 데이터에 1이 곱해질 때까지 1 씩 증가합니다. 결과는 각 막대에 사용 된 계수의 합으로 나뉩니다 .2 기간 전면 가중 이동 평균은 다음과 같이 계산할 수 있습니다. 다음과 같이 단순화 할 수 있습니다. 그리고 3주기의 전면 가중 이동 평균은 다음과 같이 계산할 수 있습니다. 3 C 2 C1 1 C2 3 2 1. 다음과 같이 간소화 할 수 있습니다. 이 패턴은 기간이 증가함에 따라 계속됩니다. 여기 표시 라이브러리 이동 평균입니다. 이동 평균. 이동 평균은 동향을 부드럽게하는 데 사용됩니다. TC2000은 다음 세 가지 유형을 제공합니다. 간단한 이동 평균은 해당 기간 동안 각 데이터 포인트에 동일한 가중치를 부여합니다. 기간이 3이고 마지막 세 데이터 포인트가 3, 4 및 5이면 가장 최근의 평균 값은 3 4 5 3 4가 될 것입니다. 기하 급수 이동 평균 EWMA라고도하는 지수 이동 평균 EMA는 기하 급수적으로 감소하는 가중치 요소를 적용합니다. 이전 데이터 포인트 각각에 대한 가중치는 기하 급수적으로 감소하여 최근 관측치에 더 많은 중요성을 부여하면서 이전 관측은 전적으로 중요합니다. 지수 가중 평균과 같은 전중위 평균은 가장 최근의 데이터를 평균화하여 이전 데이터보다 평균값에 더 많이 영향을줍니다 계산 기하 급수적으로 평균치와 다르게 나타 났으 나 최근 데이터에 더 많은 가중치를 준다. 5주기 전방 가중치 평균은 다음과 같이 계산된다. C는 가장 최근의 막대, C4는 4 막대기 다. 프런트 가중 평균 C 5 C1 4 C2 3 C3 2 C4 15. 다른 평균화 유형이 다른 결과를 산출하는 방법을 볼 수 있습니다. 세 가지 평균은 모두 30 개의 간단한 빨간색, 지수 적 시안 프론트 가중 노란색을 사용하여 플롯됩니다. 또한 평균 계산에 사용할 가격 요소를 선택할 수 있습니다 , Open, High, Low 또는 Typical Price를 나타냅니다. 이동 평균에는 Offset 매개 변수가있어 평균 플롯을 앞 또는 뒤로 마이너스 오프셋 값으로 이동할 수 있습니다. 일반적으로 옮겨진 이동 평균으로 불리는 것을 플롯 할 수 있습니다. Investopedia의 평균 이동 평균입니다. TC2000 버전 12에 대한 모든 질문과 의견을 보내주십시오. 기술 지원이 필요하면 기술 지원 부서에 문의하십시오. 2011 년 Worden. Copyright, Exponential S 무언가 설명했다. 저작권 내용은 저작권으로 보호되어 있으며 재 게시 할 수 없습니다. 사람들이 처음으로 지수 스무딩이라는 용어를 접하면 부드럽게하는 부분을 부드럽게하는 것처럼 보일 것입니다. 그런 다음 복잡한 수학적 계산을 구상하기 시작합니다. 아마도 수학에 이해할 수있는 학위가 필요하며, 필요할 때 사용할 수있는 내장 된 Excel 기능이 있기를 바랍니다. 지수 평활화의 현실은 훨씬 덜 극적이며 외상은 훨씬 적습니다. 사실, 지수 평활화는 매우 단순한 계산을 수행하는 매우 간단한 계산이 간단한 계산의 결과로 기술적으로 발생하는 것이 실제로는 조금 복잡하기 때문에 복잡한 이름을 사용합니다. 지수 평활화를 이해하려면 평활화의 일반적인 개념부터 시작하는 것이 좋습니다. 스무딩을 수행하는 데 사용되는 다른 일반적인 방법들 중 하나입니다. 스무딩이란 무엇입니까? 스무딩은 매우 일반적인 통계 프로세스입니다. fac 우리는 일상 생활에서 다양한 형태로 평활화 된 데이터를 정기적으로 접하게됩니다. 무언가를 설명하기 위해 평균을 사용할 때, 평활화 된 숫자를 사용합니다. 무언가를 설명하기 위해 평균을 사용하는 이유를 생각한다면, 신속하게 스무딩의 개념 이해 예를 들어, 우리는 단지 가장 따뜻한 겨울을 경험했습니다. 우리는 이것을 어떻게 계량 할 수 있습니까? 우리는 우리가 호출하는 기간 동안 매일 높은 온도와 낮은 온도의 데이터 세트로 시작합니다. 기록 된 역사에서 매년 겨울. 그러나 잎 꽤 많은 숫자로 점프하는 숫자가 많은 우리는이 겨울이 전년도의 상응하는 날보다 더 따뜻했다는 것을 매일 좋아하지 않습니다. 이 모든 점프를 데이터에서 제거하여 숫자를 하나 더 비교할 수 있도록해야합니다 겨울에서 다음으로 데이터에서 점프를 제거하는 것을 스무딩이라고하며이 경우 스무딩을 수행하기 위해 간단한 평균을 사용할 수 있습니다. 수요 예측에서 스무딩을 사용하여 임의의 분산을 제거합니다 우리의 역사적 수요에 따른 소음 우리는 수요 패턴을 주로 추세와 계절성 및 향후 수요를 예측하는 데 사용할 수있는 수요 수준을보다 잘 식별 할 수 있습니다. 수요가 많은 소음은 매일 온도 데이터를 뛰어 다니는 것과 동일한 개념입니다. 사람들이 수요 기록에서 소음을 제거하는 가장 일반적인 방법은 단순 평균 또는보다 구체적으로 이동 평균을 사용하는 것입니다. 이동 평균은 미리 정의 된 기간 수를 사용하여 평균을 계산하고 시간은 지나갈 때 이동합니다. 예를 들어, 4 개월 이동 평균을 사용하며 오늘은 5 월 1 일입니다. 1 월, 2 월, 3 월 및 4 월에 발생한 평균 수요를 사용합니다. 6 월 1 일에 2 월, 3 월, 4 월 및 5 월의 수요를 사용할 것입니다 . 이동 평균을 계산합니다. 평균을 사용하면 데이터 집합의 각 값에 동일한 중요도 가중치를 적용합니다. 4 개월 이동 평균에서 매월 이동 평균 25를 나타냅니다. 수요 이력을 프로에 사용할 때 미래의 수요와 특히 미래의 추세를 예상 할 때, 최근의 역사가 당신의 예측에 더 큰 영향을 미치고 싶다는 결론에 도달하는 것이 합리적입니다. 우리는 원하는 기간을 얻기 위해 각 기간에 다양한 가중치를 적용하기 위해 이동 평균 계산을 적용 할 수 있습니다 결과 우리는 이러한 가중치를 백분율로 나타내고 모든 기간의 모든 가중치의 합계를 100으로 합산해야합니다. 따라서 4 개월 이동 평균에서 가장 가까운 기간의 가중치로 35를 적용하기로 결정하면 100에서 35를 뺀 나머지 3 개의 기간 동안 65로 나뉘어집니다. 예를 들어, 4 개월 동안 15, 20, 30 및 35의 가중치가 적용될 수 있습니다. 15 20 30 35 100. 지수 평활화. 이전 예제에서 35와 같은 가장 최근 기간에 가중치를 적용하고 가장 최근 기간 가중치 인 35를 빼서 계산 된 나머지 가중치를 100에서 65로 늘리는 개념으로 돌아 가면 기본 빌딩 블록 fo r 지수 평활화 계산 지수 평활화 계산의 제어 입력은 평활화 계수라고도하는 평활화 계수로 알려져 있습니다. 근본적으로 가장 최근의 기간 수요에 적용되는 가중치를 나타냅니다. 따라서 가장 최근의 기간에 대한 가중치로 35를 사용했습니다. 우리는 지수 이동 평활화 계산에서 평활화 계수로 35를 사용하여 유사한 효과를 얻을 수도 있습니다. 지수 평활화 계산의 차이점은 우리가 각 이전 기간에 적용하면 평활화 요인이 자동으로 수행됩니다. 여기에 지수 부분이옵니다. 35를 평활화 요인으로 사용하면 가장 최근 기간의 가중치는 35가됩니다. 가장 최근의 가중치 기간은 가장 최근이 65가되기 전에 기간을 요구합니다. 65는 100에서 35를 뺀 것입니다. 이것은 22 75 가중치와 같습니다. 그 기간 동안 수학을한다면. 그 다음 가장 최근의 기간은 35의 65에서 65가 될 것이고, 이것은 14와 동일합니다. 79 이전의 기간은 35의 65에서 65의 65로 가중됩니다. , 등등 그리고 이것은 이전의 모든 기간을 통해 시간의 시작 또는 특정 항목에 대해 지수 평활화를 사용하기 시작한 시점까지 거슬러 올라갑니다. 수학 그러나 지수 평활화 계산의 장점은 새로운 기간 수요가 발생할 때마다 이전 기간마다 계산해야하는 것이 아니라 이전 기간의 지수 평활화 계산 결과를 사용하여 이전 기간을 모두 나타낼 수 있다는 것입니다. 당신은 혼란 스럽습니까? 이것은 실제 계산을 볼 때 더 합리적입니다. 전형적으로 우리는 지수 평활화 계산의 결과를 다음 기간 예측으로 참조합니다. 실제로, 궁극적 인 예측에는 불확실성이 필요합니다 이 특정 계산의 목적을 위해 예측으로 언급 할 것입니다. 지수 평활화 계산은 다음과 같습니다. 가장 최근 기간의 요구량에 평활화 인수를 곱한 값 PLUS 최근주기의 예측치에 가장 최근의 기간은 10 진수로 표현 된 평활화 계수를 요구하므로 35는 0으로 표시 될 것이다. 35 F 가장 최근의주기는 이전주기의 평활화 계산 결과를 예측한다. 또는 평활화를 가정한다. 당신이 볼 수있는 것처럼 데이터 입력을 위해 필요한 것은 가장 최근의 기간 수요와 가장 최근의 기간입니다. 가장 최근의 기간에 평활화 계수 가중치를 적용합니다 기간 s는 가중 이동 평균 계산에서와 동일한 방식으로 요구합니다. 그런 다음 나머지 가중치 1에서 평준화 요인 빼기를 가장 최근 기간의 예측에 적용합니다. 가장 최근 기간 이전 주 수요 및 이전 기간의 수요 예측을 기반으로 모형이 만들어졌으며 그 이전 기간에 대한 수요와 그 이전 수요 예측에 기초한 예측이 있었고 그 이전의 기간을 기준으로 한 그 이전의 기간 동안 예측 한 것입니다. 이전의 모든 기간 수요가 실제로 계산으로 표시되고 실제로 다시 계산되거나 다시 계산되지 않고 어떻게 나타 났는지를 알 수 있습니다. 그리고 그것은 지수의 초기 인기를 이끌어 낸 요인입니다 평탄화 가중 평균보다 평활화가 더 효과적 이었기 때문에 컴퓨터 프로그램에서 계산하기가 더 쉬웠 기 때문에였습니다. 이전 기간 또는 이전 기간의 가중치에 대해 생각할 필요가 없었기 때문에이었습니다 당신이 가중 이동 평균에서와 마찬가지로 사용하십시오. 그리고 가중 이동 평균보다 더 차가워 졌기 때문에. 실제로, 가중 이동 평균은 더 큰 유연성을 제공한다고 주장 할 수 있습니다 이전 기간의 가중치를보다 잘 제어 할 수 있으므로 현실성이 있습니다. 이 두 가지 중 하나가 훌륭한 결과를 제공 할 수 있으므로 더 쉽고 시원하게 들리는 이유는 무엇입니까? Excel의 지수 스무딩. 스프레드 시트에서 스프레드 시트가 실제로 어떻게 보이는지 보도록하겠습니다. 에 대한 저작권 정보는 저작권으로 보호되며 재 게시 할 수 없습니다. 그림 1A에서 우리는 11 주간의 수요가있는 Excel 스프레드 시트를 가지고 있으며 그 수요로부터 계산 된 기하 급수적 인 예측은 250의 평활화 계수를 사용했습니다 25 셀 C1 현재 활성 셀은 M4 셀이며 주 12에 대한 예측을 포함합니다. 수식 입력 줄에 수식이 L3 C1 L4 1- C1이므로이 계산의 직접 입력은 이전 기간 인 s 수요 셀 L3, 이전 기간 s 예측 셀 L4 및 평활화 계수 셀 C1, 절대 셀 참조 C1로 표시됨. 지수 평활화 계산을 시작할 때 수동으로 첫 번째 예측 값을 플러그해야합니다. So 셀 B4에서는 수식보다는 예측과 동일한 기간의 수요를 입력했습니다. 셀 C4에서는 첫 번째 지수 스무딩 계산이 있습니다. B3 C1 B4 1- C1 그러면 셀 C4를 복사하여 D4 셀에 붙여 넣을 수 있습니다 M4를 통해 나머지 예측 셀을 채 웁니다. 이제 예측 셀을 두 번 클릭하여 이전 기간의 예측 셀과 이전 기간의 수요 셀을 기반으로 볼 수 있습니다. 이후의 각 지수 누적 계산은 다음과 같은 출력을 상속합니다. 이전의 지수 평활화 계산 각 이전 기간의 수요가 가장 최근의 기간 계산에 표시됩니다. 비록 계산이 이전 기간을 직접 참조하지는 않지만, 당신이 멋지게하려면 Excel의 추적 선례 함수를 사용할 수 있습니다 이 셀 M4를 클릭하고 리본 도구 모음 Excel 2007 또는 2010에서 수식 탭을 클릭 한 다음 추적 선행을 클릭합니다. 선행 수준의 연결선을 그릴 것입니다. 그러나 cli Trace Precedents는 이전의 모든 기간에 연결선을 그려서 상속 된 관계를 보여줍니다. 이제 지수 스무딩이 우리에게 어떤 영향을 미치는지 봅시다. 그림 1B는 우리의 수요와 예측에 대한 꺾은 선형 차트를 보여줍니다. 기하 급수적으로 평활화 된 예측이 어떻게 제거되는지보십시오 지그재그의 대부분은 주간 수요에서 뛰어 오른다. 그러나 수요의 상승 추세 인 것처럼 보이는 것을 계속 관리한다. 평탄한 예측 선이 수요 선보다 낮아지는 경향이 있음을 알 수있다. 스무딩 프로세스의 부작용입니다. 추세가 존재할 때 스무딩을 사용할 때마다 예측이 추세보다 뒤떨어집니다. 이는 모든 스무딩 기법에 해당합니다. 실제로이 스프레드 시트를 계속 진행하면서 더 낮은 수요량을 입력하면 하향 추세라면 수요 선이 떨어지고 추세선이 하락 추세를 따라 가기 전에 그 위에 움직일 것입니다. 그래서 이전에 우리가 예측이라고 부르는 지수 평활화 계산에는 여전히 더 많은 작업이 필요합니다 수요의 범프를 단순화하는 것보다 예측에 더 많은 것이 있습니다 추세 지연, 계절성, 수요에 영향을 줄 수있는 알려진 이벤트, 그러나이 모든 내용은이 기사의 범위를 벗어난 것입니다. 이중 지수 평활화 및 삼중 지수 평활화와 같은 용어로도 실행될 가능성이 높습니다. 이러한 용어는 사용자가 원하는 경우 여러 번 요구 사항을 다듬지 않아서 오해의 소지가 있습니다. 여기에서 요점은 아닙니다. 이러한 용어는 예측의 추가 요소에 지수 스무딩을 사용하여 나타냅니다. 간단한 지수 스무딩을 사용하면 기본 수요를 원활하게 할 수 있지만 지수 지수 평활화로 기본 수요 플러스 추세, 삼중 지수 스무딩을 사용하면 기본 수요 플러스 추세와 계절성을 다듬을 수 있습니다. 기 지수 smoo에 대한 다른 가장 일반적인 질문 여기에서 매끄러운 요소를 얻을 수있는 곳은 없습니다. 마법의 대답은 없습니다. 수요 데이터로 다양한 평활화 요소를 테스트하여 최상의 결과를 얻을 수 있어야합니다. 평활화 요소를 자동으로 설정하고 변경할 수있는 계산이 있습니다. 적응성 평활화라는 용어를 사용하지만 조심해야합니다. 완벽한 해답이 아니며 철저한 테스트없이 맹목적으로 계산을 구현하지 말고 그 계산이 무엇인지에 대한 철저한 이해를 개발해야합니다. 또한 what-if 시나리오를 실행하여 이러한 계산이 테스트를 위해 사용중인 수요 데이터에 현재 존재하지 않는 변경을 요구하는 방법. 이전에 사용한 데이터 예제는 다른 시나리오를 실제로 테스트해야하는 상황의 아주 좋은 예입니다. 다소 일관된 상승 추세 매우 비싼 예측 소프트웨어를 사용하는 많은 대기업은 그리 멀지 않은 과거에 큰 어려움을 겪었습니다. 성장하는 경제를 위해 조정 된 소프트웨어 설정은 경제가 정체되거나 축소 될 때 잘 반응하지 않았습니다. 이러한 상황은 계산 소프트웨어가 실제로하는 일을 이해하지 못할 때 발생합니다. 예측 시스템을 이해하면 필요한 것으로 알고 있었을 것입니다 비즈니스에 갑작스러운 급격한 변화가 생겼을 때 무언가를 변경하고 뛰어 들었습니다. 설명 된 지수 평활화의 기본 사항이 있습니다. 실제 예측에서 지수 스무딩을 사용하는 것에 대해 더 알고 싶다면 내 책 인벤토리 관리 설명을 확인하십시오. 저작권 침해 신고 는 저작권으로 보호되며 재 게시 할 수 없습니다. Dave Piasecki는 재고 관리, 자재 취급 및 창고 운영과 관련된 서비스를 제공하는 컨설팅 회사 인 Inventory Operations Consulting LLC의 운영자입니다. 그는 운영 관리 분야에서 25 년 이상의 경험을 보유하고 있으며, 자신의 웹 사이트를 통해 도달 한 후 추가 관련 inf ormation. My 사업.