Tagged with mean absolute Abweichung In den letzten week8217s Forecast Freitag Post, diskutierten wir gleitende durchschnittliche Prognose Methoden, sowohl einfach und gewichtet. Wenn eine Zeitreihe stationär ist, dh keine erkennbare Tendenz oder Saisonalität aufweist und nur der Zufälligkeit des alltäglichen Daseins unterliegt, sind gleitende Durchschnittsmethoden oder sogar ein einfacher Durchschnitt der gesamten Reihe für die Prognose der nächsten Perioden nützlich. Allerdings sind die meisten Zeitreihen alles andere als stationär: Einzelhandelsumsätze haben Trend-, Saison - und zyklische Elemente, während öffentliche Versorgungsunternehmen Trend - und Saisonkomponenten haben, die die Nutzung von Strom und Wärme beeinflussen. Daher können gleitende Durchschnittsprognosemethoden weniger als erwünschte Ergebnisse liefern. Darüber hinaus sind die jüngsten Verkaufszahlen in der Regel mehr Indikator für den künftigen Umsatz, so dass es oft eine Notwendigkeit, ein Prognosesystem, das mehr Gewicht auf neuere Beobachtungen hat. Geben Sie eine exponentielle Glättung ein. Im Gegensatz zu gleitenden Durchschnittsmodellen, die eine feste Anzahl der aktuellsten Werte in der Zeitreihe für Glättung und Prognose verwenden, enthält die exponentielle Glättung alle Werte der Zeitreihen, wobei das schwerste Gewicht auf die aktuellen Daten gelegt wird und Gewichte auf ältere Beobachtungen, die exponentiell abnehmen Zeit. Aufgrund der Betonung aller vorherigen Perioden im Datensatz ist das exponentielle Glättungsmodell rekursiv. Wenn eine Zeitreihe keine starke oder erkennbare Saisonalität oder Trend aufweist, kann die einfachste Form der exponentiellen Glättung einer einzelnen exponentiellen Glättung angewendet werden. Die Formel für die einzelne exponentielle Glättung ist: In dieser Gleichung stellt t1 den Prognosewert für die Periode t 1 Y t für den aktuellen Wert der aktuellen Periode dar, t t ist der Prognosewert für die aktuelle Periode, t und ist die Glättungskonstante. Oder alpha, eine Zahl zwischen 0 und 1. Alpha ist das Gewicht, das Sie der letzten Beobachtung in Ihrer Zeitreihe zuordnen. Im Wesentlichen werden Sie Ihre Prognose für den nächsten Zeitraum auf den tatsächlichen Wert für diesen Zeitraum und den Wert, den Sie prognostiziert für diesen Zeitraum, die wiederum auf Prognosen für Zeiträume davor basiert basiert. Let8217s übernehmen Sie8217ve wurden im Geschäft für 10 Wochen und wollen Umsatz prognostizieren für die 11. Woche. Verkäufe für die ersten 10 Wochen sind: Aus der Gleichung oben, wissen Sie, dass, um mit einer Prognose für Woche 11, müssen Sie prognostizierte Werte für Wochen 10, 9, und den ganzen Weg bis zu Woche 1. Sie wissen auch In dieser Woche 1 hat keine Vorperiode, so dass es nicht prognostiziert werden kann. Außerdem müssen Sie die Glättungskonstante oder Alpha für Ihre Prognosen festlegen. Ermitteln der Anfangsprognose Der erste Schritt bei der Konstruktion Ihres exponentiellen Glättungsmodells besteht darin, einen Prognosewert für den ersten Zeitraum in Ihrer Zeitreihe zu generieren. Die gebräuchlichste Praxis ist, den prognostizierten Wert von Woche 1 gleich dem Istwert, 200 zu setzen, was wir in unserem Beispiel tun werden. Ein anderer Ansatz wäre, dass, wenn Sie Vorverkäufe Daten zu diesem haben, aber nicht verwenden Sie es in Ihrem Bau des Modells, können Sie einen Durchschnitt von ein paar unmittelbar vorherigen Perioden nehmen und verwenden, dass als die Prognose. Wie Sie Ihre ursprüngliche Prognose bestimmen, ist subjektiv. Wie groß sollte Alpha sein Das ist auch ein Urteil-Aufruf, und das Finden der entsprechenden Alpha ist Gegenstand von Versuch und Irrtum. Im Allgemeinen, wenn Ihre Zeitreihe sehr stabil ist, ist eine kleine geeignet. Die visuelle Prüfung Ihrer Verkäufe auf einem Diagramm ist auch nützlich, wenn man versucht, ein Alpha zu ermitteln, um mit zu beginnen. Warum ist die Größe von wichtig Weil je näher 1 ist, desto mehr Gewicht, das dem letzten Wert bei der Bestimmung Ihrer Prognose zugeordnet ist, desto schneller passt sich Ihre Prognose an Muster in Ihrer Zeitreihe an und die weniger Glättung, die auftritt. Ebenso gilt, je näher das Gewicht bei früheren Beobachtungen bei der Ermittlung der Prognose ist, desto langsamer sinkt die Prognose auf Muster in der Zeitreihe und desto mehr Glättung findet statt. Let8217s visuell inspizieren die 10 Wochen des Umsatzes: Der exponentielle Glättungsprozess Die Verkäufe erscheinen etwas gezackt, Oszillieren zwischen 200 und 235. Let8217s beginnen mit einem Alpha von 0,5. Das gibt uns die folgende Tabelle: Beachten Sie, dass Ihre Prognosen für jede der folgenden Wochen, obwohl Ihre Prognosen genau sind, wenn Ihr tatsächlicher Wert für eine bestimmte Woche höher ist als das, was Sie prognostiziert haben (zB Wochen 2 bis 5) Wochen 3 bis 6) nach oben anpassen, wenn Ihre tatsächlichen Werte niedriger sind als Ihre Prognose (zB Wochen 6, 8, 9 und 10), werden Ihre Prognosen für die nächste Woche nach unten angepasst. Beachten Sie außerdem, dass Ihre früheren Prognosen, während Sie zu späteren Perioden wechseln, in Ihren späteren Prognosen weniger und weniger eine Rolle spielen, da ihr Gewicht exponentiell abnimmt. Nur, wenn man sich den Tisch ansieht, wissen Sie, dass die Prognose für Woche 11 niedriger als 220,8 sein wird, Ihre Prognose für Woche 10: So, basierend auf unserem Alpha und unseren bisherigen Verkäufen, ist unsere beste Vermutung, dass Verkäufe in Woche 11 sein werden 215.4. Werfen Sie einen Blick auf die Grafik der tatsächlichen vs prognostizierten Umsatz für die Wochen 1-10: Beachten Sie, dass die prognostizierten Verkäufe glatter als tatsächlich sind, und Sie können sehen, wie die prognostizierte Umsatzlinie passt zu Spikes und Dips in der tatsächlichen Umsatz Zeitreihe. Was, wenn wir ein kleineres oder größeres Alpha-We8217ll verwendet hätten, zeigen wir, indem wir sowohl ein Alpha von 0,30 als auch eine von 0,70 verwenden. Das gibt uns die folgende Tabelle und Grafik: Mit einem Alpha von 0,70, wir am Ende mit dem niedrigsten MAD der drei Konstanten. Denken Sie daran, dass die Beurteilung der Zuverlässigkeit der Prognosen ist immer über die Minimierung von MAD. MAD, ist schließlich ein Durchschnitt von Abweichungen. Beachten Sie, wie dramatisch die absoluten Abweichungen für jedes der Alphas von Woche zu Woche ändern. Prognosen können zuverlässiger mit einem Alpha, die eine höhere MAD produziert, hat aber weniger Abweichung unter den einzelnen Abweichungen. Grenzen der Exponentialglättung Die Exponentialglättung ist nicht für die Langzeitprognose vorgesehen. Normalerweise wird es verwendet, um ein oder zwei, aber selten mehr als drei Perioden voraus vorauszusagen. Auch wenn es eine plötzliche drastische Veränderung in der Ebene der Verkäufe oder Werte, und die Zeitreihe geht auf dieser neuen Ebene, dann wird der Algorithmus wird langsam, um die plötzliche Veränderung aufholen. Daher wird es einen größeren Vorhersagefehler geben. In solchen Situationen wäre es am besten, die vorherigen Perioden vor der Änderung zu ignorieren und den exponentiellen Glättungsprozess mit der neuen Ebene zu beginnen. Schließlich diskutiert diese Post Einzel-Exponential-Glättung, die verwendet wird, wenn es keine spürbare Saisonalität oder Trend in den Daten. Wenn ein spürbares Trend - oder saisonales Muster in den Daten auftritt, führt eine einzelne exponentielle Glättung zu einem signifikanten Prognosefehler. Eine doppelte Exponentialglättung wird hier benötigt, um diese Muster anzupassen. Wir decken doppelt exponentielle Glättung in der nächsten Woche8217s Forecast Freitag Post. Eine der einfachsten, häufigste Zeitreihenvorhersagetechniken ist die des gleitenden Durchschnitts. Moving durchschnittliche Methoden sind praktisch, wenn alle Sie haben mehrere aufeinander folgende Perioden der Variable (z. B. Vertrieb, neue Sparkonten eröffnet, Workshop Teilnehmer, etc.) you8217re Prognose, und keine anderen Daten zu vorherzusagen, was die nächste Periode8217s Wert sein wird. Oft, mit den vergangenen Monaten der Verkäufe, um den kommenden Monat vorherzusagen, ist der Umsatz vorzuziehen, ohne Hilfe Schätzungen. Jedoch können gleitende Mittelmethoden ernste Prognosefehler haben, wenn sie sorglos angewendet werden. Moving Averages: Die Methode Im Wesentlichen versuchen gleitende Mittelwerte, den nächsten Periodenwert zu schätzen, indem sie den Wert der letzten paar Perioden unmittelbar vor dem Mittelwert ermitteln. Let8217s sagen, dass Sie im Geschäft waren für drei Monate, Januar bis März, und wollte Prognose April8217s Umsatz. Ihre Verkäufe für die letzten drei Monate sehen wie folgt aus: Der einfachste Ansatz wäre, den Durchschnitt von Januar bis März zu nehmen und zu verwenden, um die Verkäufe von April8217 zu berechnen: (129 134 122) / 3 128.333 Daher basiert auf den Verkäufen von Januar bis März , Sie prognostizieren, dass der Umsatz im April 128,333 werden. Sobald April8217s tatsächliche Verkäufe hereinkommen, würden Sie dann die Prognose für Mai berechnen, dieses mal using Februar bis April. Sie müssen mit der Anzahl der Perioden übereinstimmen, die Sie für die gleitende durchschnittliche Prognose verwenden. Die Anzahl der Perioden, die Sie in Ihren gleitenden durchschnittlichen Prognosen verwenden, sind beliebig, Sie können nur zwei Perioden verwenden, oder fünf oder sechs Perioden, was auch immer Sie Ihre Prognosen generieren möchten. Der oben genannte Ansatz ist ein einfacher gleitender Durchschnitt. Manchmal können jüngere Monate8217 Verkäufe stärkere Einflussfaktoren des kommenden Monats8217s Verkäufe sein, also möchten Sie jene Annäherungsmonate mehr Gewicht in Ihrem Vorhersagemodell geben. Dies ist ein gewichteter gleitender Durchschnitt. Und genau wie die Anzahl der Perioden sind die Gewichte, die Sie zuweisen, rein willkürlich. Let8217s sagen, Sie wollten geben March8217s Umsatz 50 Gewicht, Februar8217s 30 Gewicht und Januar8217s 20. Dann wird Ihre Prognose für April 127.000 (122.50) (134.30) (129.20) 127 sein. Einschränkungen gleitender Durchschnittsmethoden Gleitende Mittelwerte werden als 8220smoothing8221 Prognosetechnik betrachtet. Weil Sie einen Durchschnitt im Laufe der Zeit nehmen, sind Sie die Erweichung (oder Glättung) der Auswirkungen von unregelmäßigen Ereignissen innerhalb der Daten. Folglich können die Auswirkungen von Saisonalität, Konjunkturzyklen und anderen zufälligen Ereignissen den Prognosefehler drastisch erhöhen. Werfen Sie einen Blick auf ein vollständiges year8217s Wert von Daten, und vergleichen Sie einen 3-Perioden gleitenden Durchschnitt und einen 5-Perioden gleitenden Durchschnitt: Beachten Sie, dass in diesem Fall, dass ich keine Prognosen erstellt, sondern zentriert die gleitenden Durchschnitte. Die ersten dreimonatigen gleitenden Durchschnitt ist für Februar, und es8217s der Durchschnitt von Januar, Februar und März. Ich habe auch ähnlich für die 5-Monats-Durchschnitt. Nun, werfen Sie einen Blick auf die folgende Tabelle: Was sehen Sie, ist nicht die dreimonatige gleitende durchschnittliche Reihe viel glatter als die tatsächlichen Verkaufsreihen Und wie über die Fünf-Monats-gleitenden Durchschnitt It8217s sogar glatter. Daher, je mehr Zeiträume Sie in Ihrem gleitenden Durchschnitt verwenden, desto glatter Ihre Zeitreihen. Daher kann für die Prognose ein einfacher gleitender Durchschnitt nicht die genaueste Methode sein. Gleitende Durchschnittsmethoden erweisen sich als sehr wertvoll, wenn Sie versuchen, die saisonalen, unregelmäßigen und zyklischen Komponenten einer Zeitreihe für fortgeschrittene Prognosemethoden, wie Regression und ARIMA, zu extrahieren und die Verwendung von gleitenden Mittelwerten bei der Zerlegung einer Zeitreihe wird später behandelt in der Serie. Bestimmen der Genauigkeit eines gleitenden Durchschnittsmodells Im Allgemeinen möchten Sie eine Prognosemethode, die den geringsten Fehler zwischen tatsächlichen und vorhergesagten Ergebnissen aufweist. Eine der häufigsten Maßnahmen der Prognosegenauigkeit ist die Mean Absolute Deviation (MAD). Bei dieser Vorgehensweise nehmen Sie für jede Periode in der Zeitreihe, für die Sie eine Prognose erstellt haben, den absoluten Wert der Differenz zwischen dem aktuellen und dem prognostizierten Wert (die Abweichung). Dann durchschnittst du diese absoluten Abweichungen und du erhältst ein Maß von MAD. MAD kann hilfreich bei der Entscheidung über die Anzahl der Perioden, die Sie durchschnittlich, und / oder die Menge an Gewicht, die Sie auf jeder Periode. Im Allgemeinen wählen Sie die eine, die in der niedrigsten MAD resultiert. Hier ist ein Beispiel dafür, wie MAD berechnet wird: MAD ist einfach der Durchschnitt von 8, 1 und 3. Moving Averages: Recap Bei der Verwendung von Moving Averages für die Prognose, denken Sie daran: Moving Durchschnitte können einfach oder gewichtet werden Die Anzahl der Perioden, die Sie für Ihre verwenden Durchschnittlich und alle Gewichte, die Sie jedem zuweisen, sind streng beliebig Bewegungsdurchschnitte glatt machen unregelmäßige Muster in Zeitreihen-Daten, je größer die Anzahl der Perioden für jeden Datenpunkt verwendet, desto größer ist der Glättungseffekt Wegen der Glättung, Prognose nächsten Monat8217s Umsatz auf der Grundlage der Die jüngsten monatlichen Verkäufe können zu großen Abweichungen aufgrund saisonaler, zyklischer und unregelmäßiger Muster in den Daten führen. Die Glättungsfunktionen einer gleitenden Durchschnittsmethode können beim Zerlegen einer Zeitreihe für fortgeschrittene Prognosemethoden nützlich sein. Nächste Woche: Exponentielle Glättung In der nächsten Woche8217s Vorhersage Freitag. Werden wir diskutieren exponentielle Glättung Methoden, und Sie werden sehen, dass sie weit überlegen, gleitende durchschnittliche Prognose Methoden. Noch don8217t wissen, warum unsere Forecast Freitag Beiträge erscheinen am Donnerstag Finden Sie heraus, an: tinyurl / 26cm6ma Lassen Sie neue Beiträge Kommen Sie zu Ihnen CategoriesWie Berechnung der absoluten Abweichung (und durchschnittliche absolute Abweichung) Zuerst müssen wir die durchschnittliche Stichprobe zu finden. Es gibt drei verschiedene Möglichkeiten, dies zu tun. Die erste ist, indem Sie den Mittelwert finden. Um das Mittel zu finden, addieren sich alle Proben und dividieren durch die Anzahl der Proben. Zum Beispiel, wenn Ihre Proben sind 2, 2, 4, 5, 5, 5, 9, 10, 12 würden Sie sie hinzufügen und erhalten insgesamt 54. Dann dividieren durch die Anzahl der Proben (9) und Sie würden einen Mittelwert zu berechnen Von 6. Die zweite Methode zur Berechnung der Durchschnitt ist durch den Einsatz von Median. Ordnen Sie die Proben in Reihenfolge von niedrigster zu höchster, und finden Sie die mittlere Zahl. Aus der obigen Probe wäre es 5. Die dritte Methode der Berechnung der durchschnittlichen Probe ist durch die Suche nach dem Modus. Der Modus ist, welches überhaupt Probe am meisten auftritt. Im ursprünglichen Fall 5 tritt 3 Mal macht es den Modus. Nun können wir die absolute Abweichung berechnen. Wenn wir die absolute Abweichung vom Mittelwert berechnen, nehmen wir den mittleren Mittelwert (6) und finden den Unterschied zwischen ihm und einer Probe. Wenn wir die erste Probe (2) nehmen und die absolute Abweichung berechnen, wäre das Ergebnis 4. Für die letzte Probe (12) ist die absolute Abweichung 6. Es ist immer positiv. Sie können die mittlere absolute Abweichung berechnen, indem Sie die absolute Abweichung jeder Stichprobe finden und sie mitteln. Wenn wir die ursprüngliche Reihe: 2, 2, 4, 5, 5, 5, 9, 10, 12 nehmen, können wir die absolute Abweichung vom Mittelwert für jede Probe berechnen, da wir wissen, daß der Mittelwert 6 ist Absolute Abweichungen unserer Proben wären 4,4,2,1,1,1,3,4,6. Wir können dann den Durchschnitt dieser Zahlen nehmen und die mittlere absolute Abweichung als 2,888 berechnen. Was bedeutet, dass die durchschnittliche Stichprobe 2.888 aus dem Mittelwert ist. Navigation: Verbesserte Prognose mit gleitenden Durchschnitten und Z-Scores Andrew Creager 0 Forecasting ist ein integraler Bestandteil der Unternehmensführung. Je besser die Prognose, desto besser wird das Management für die Zukunft planen können. Obwohl es viele Methoden, um Prognosen zu machen, sind einige besser geeignet als andere für bestimmte Situationen. Für die kurzfristige Prognose kann Black Belts von der Analyse der Produktionstrends profitieren und auf der Suche nach speziellen Ursachen der Variation. Bei der Erstellung langfristiger Prognosen kann eine Methode, die eine normale Kurve und Z-Scores verwendet, die bessere Wette sein. Beide Methoden sind einfach anzuwenden. Methoden in der Praxis Das folgende Szenario vermittelt, wie diese Methoden funktionieren. In diesem Beispiel will ein Fertigungsmanager, der kürzlich als Black Belt zertifiziert wurde, Six Sigma-Tools und statistische Analyse-Software verwenden, um Vorhersagen zu machen. Der Manager verfolgt die wöchentliche Ausgabe der Abteilung8217s von Paletten. Jede Palette hält eine konstante Anzahl von Fällen von Produkt und der Manager verwendet einen einfachen, vier Wochen gleitenden Durchschnitt in einer Kalkulationstabelle. Tabelle 1 zeigt eine Stichprobe aus dem Ende eines 52-wöchigen Zyklus der Abteilung 811 Herstellung von Paletten. Tabelle 1: Palettenproduktion pro Woche Der Manager hat die beiden grundlegenden Bestandteile, die für die Erzeugung von Prognosen benötigt werden: Produktionsdaten und eine Prognoseperiode. Der Zeitraum, Ordivisor, in diesem Fall ist Wochen. Mit diesen Informationen kann sie sowohl die kurzfristigen als auch die langfristigen Prognosemethoden durchführen. Short Term: Auf der Suche nach Trends in Moving Average Plots Statistische Software kann Black Belts mit mehreren Optionen für die Vollendung der Prognosen. In diesem Fall wählt der Manager für eine kurzfristige Vorhersage den gleitenden Durchschnitt unter Verwendung eines Zeitreihenbefehls. Dazu gibt sie die Variable und die Länge ein, wenn Sie dazu aufgefordert werden. Abbildung 1: Vier-Wochen-Durchschnitt für die Palettenproduktion Abbildung 1 zeigt den vierwöchigen gleitenden Durchschnitt des verarbeitenden Gewerbes aus dem vergangenen Jahr, wie er in einem Softwareprogramm vorkommt. Obwohl die visuelle Darstellung der Analyse hilfreich ist, sind hier die Genauigkeitsmaße, die die Unterschiede zwischen den tatsächlichen und den prognostizierten Palettenmengen darstellen, der wahre Fokus. Eine dieser Genauigkeitsmaße ist die mittlere absolute Abweichung (MAD). Es gague die Genauigkeit der angepassten Zeitreihenwerte und drückt die Abweichung in denselben Einheiten wie die Daten aus, was es leichter macht, den Betrag des Fehlers zu verstehen. Die Formel für MAD: wobei y der tatsächliche Wert zu einem Zeitpunkt ist, y-Hut der eingepasste Wert ist und n die Anzahl der Beobachtungen ist. Tabelle 2: MAD für verschiedene verschiebende durchschnittliche Iterationen Länge des gleitenden Mittels Da der Manager eine Prognose mit dem geringsten Vorhersagefehler sucht, empfiehlt es sich, durch unterschiedliche Längen des gleitenden Durchschnitts zu iterieren, um niedrigere Werte von MAD zu finden. Tabelle 2, links, zeigt die Ergebnisse für fünf verschiedene Moving-Average-Iterationen. Die Tabelle zeigt, dass der Manager eine etwas genauere Prognose mit einem fünf-oder sechswöchigen gleitenden Durchschnitt haben würde. Bei der Betrachtung des Graphen in Fig. 1 kann der Verwalter auch feststellen, daß es extreme Werte an den Punkten 40 und 45 gibt und daß die vorhergesagten Werte im wesentlichen um diese Punkte heruntergezogen wurden. Dies sollte Interesse für eine weitere Überprüfung. Ein Weg zum Manager kann diese Überprüfung durchführen und die Effekte der beiden Extrempunkte beurteilen, ist es, die Daten in ein Individuum-Kontroll-Diagramm zu platzieren, wie es in 2 gezeigt ist, und sehen, ob es eine Abweichung außerhalb der 3-Sigma-Kontrollgrenzen gibt. Abbildung 2: Einzelkontrollschema der Produktionspunkte 40 und 45 überschreiten die Regelgrenzen. Natürlich ist die Produktion nicht ein einziger Prozess und kann nicht einfach durch die Anwendung statistischer Prozesskontrolle gesteuert werden, aber die Personendiagramm ist ein vertrautes Werkzeug für Black Belts und kann wertvolle Einblicke für die Vorhersage der manager8217 liefern. Bei der Überprüfung der Punkte außerhalb der Kontrollgrenzen, findet der Manager eine wahrscheinliche Erklärung: Sie traten an zwei Feiertagen, Thanksgiving und Weihnachten, wenn die Abteilung wurde für einige Tage heruntergefahren. Wenn dies bekannt ist, entfernt der Manager die beiden Punkte aus dem Datensatz und führt die gleitenden Mittelungen erneut aus, um zu sehen, ob der MAD abnimmt. Tabelle 3: MAD für verschie - dene durchschnittliche Iterationen nach Entfernung von Ausreißern Länge des bewegten Durchschnitts Der Manager kann nun bessere kurzfristige Prognosen erwarten, wenn der MAD nach dem Entfernen der beiden Extrempunkte abnimmt Einen Zeitraum von fünf Wochen. Operationen sind jedoch dynamisch, und es wäre am besten, die Prognose regelmäßig zu überprüfen und gegebenenfalls anzupassen. Langfristige Nutzung der Normalkurve Für die langfristige Planung der Manager8217s, wie die Vorhersage der Jahresproduktion für das nächste Jahr, ist die Prognose mit der Normalkurve und den Z-Scores eine bessere Methode. Da der Manager auf Wahrscheinlichkeiten mit der normalen Kurve schaut, stellt sie zuerst sicher, dass die Verteilung in der Tat normal ist. Dies kann mit dem Anderson-Darling (AD) Normalitätstest erfolgen. Der p-Wert (a gt. 10) für die Palettenproduktion, angepasst um die Urlaubswochen auszuschließen, zeigt an, dass die Verteilung annähernd normal ist. Der Manager8217s nächsten Schritt besteht darin, die statistische Software zu verwenden, um Zusammenfassungsstatistiken zu finden, wie in 3 gezeigt, da sie Schlüsselprognosekomponenten enthalten. Abbildung 3: Zusammenfassung für die angepasste Produktion Mit den hier gesammelten Daten kann der Manager die Prognose für die nächste Produktion starten, vorausgesetzt, dass keine wesentlichen Änderungen vorgenommen werden. Abbildung 4: Wahrscheinlichkeitsverteilungsplot Diese Grafik zeigt, dass etwa 34 Prozent der Produktion zwischen 203 Paletten und 1 Standardabweichung liegen (13 Paletten) mehr als der Mittelwert, oder 216 Paletten. Obgleich dieser Prozentsatz unter Verwendung eines Softwareprogramms gefunden werden kann, ist die manuelle Berechnung fast ebenso einfach. Ein schwarzer Gürtel kann denselben Prozentsatz berechnen, indem er die Z-Punktzahl verwendet und sich auf eine normale Verteilungstabelle bezieht. In diesem Beispiel, wo z (Zahl von s ein Wert darstellt) (216 203) / 13 13/13 1. Der Bereich unter der Kurve stellt 1 (positive) Standardabweichung dar. Eine normale Verteilungstabelle zeigt, dass ein z von 1 .841 8211 .500 .341. Oder 34 Prozent. Um zu schätzen, wie viele Wochen außerhalb des Jahres die Abteilung auf 216 Paletten oder mehr Produkt produzieren könnte, oder mehr als eine Standardabweichung vom Mittel, aktualisiert der Manager das Verteilungsdiagramm (Abbildung 5). Abbildung 5: Wahrscheinlichkeit, mehr als 1 Standardabweichung von Mitteln zu erzeugen Mit dem obigen Diagramm schätzt der Manager, dass die Abteilung bei 216 Paletten oder mehr für 16 Prozent des Jahres oder ungefähr acht der nächsten 52 Wochen sein kann. Der Manager will auch das vorherige Jahr8217s Rekord der Herstellung 231 Paletten des Produktes in einer einzelnen Woche schlagen. Daher setzt sie ein Ziel, 235 Paletten mindestens einmal zu erreichen. Um herauszufinden, wie oft in den nächsten 52 Wochen die Abteilung 235 Paletten füllen kann, beginnt der Manager mit der Berechnung der Z-Punktzahl: z (235 202) / 13 32/13 etwa 2,46 s Die Antwort kommt vom Nachschlagen dieses Z - score in der Normalverteilungstabelle oder durch die Erzeugung eines weiteren Verteilungsgraphen in dem Softwareprogramm (Fig. 6). Abbildung 6: Wahrscheinlichkeit, mehr zu produzieren als 2.46 Standardabweichungen von Mittel Die Aussichten für die Herstellung von 235 Paletten ist nicht gut, es gibt weniger als eine 1-prozentige Chance, was bedeutet, dass es einmal passieren könnte. Durch die Verwendung von Z-Scores und Verteilungsplots ist der Manager jedoch in der Lage, diese Ergebnisse im Voraus zu prognostizieren und vernünftige Ziele zu setzen. Wenn Sie diesen Artikel liebten, können Sie auch lieben Leave a Comment
No comments:
Post a Comment