Mover Média Hidrologia

Início gtgt Inventário Conteúdo Tópicos Método de inventário médio em movimento Visão geral do método de inventário médio movente No método de estoque médio móvel, o custo médio de cada item de inventário em estoque é recalculado após cada compra de inventário. Este método tende a produzir avaliações de inventário e o custo dos produtos vendidos vendidos, os quais são intermediários entre os derivados do método de primeira entrada, primeira saída (FIFO) e o último método de saída (LIFO). Esta abordagem de média é considerada uma abordagem segura e conservadora para reportar resultados financeiros. O cálculo é o custo total dos itens comprados divididos pelo número de itens em estoque. O custo do final do inventário e o custo dos bens vendidos são ajustados a este custo médio. Nenhuma camada de custo é necessária, como é exigido para os métodos FIFO e LIFO. Uma vez que o custo médio móvel muda sempre que há uma nova compra, o método só pode ser usado com um sistema de rastreamento de inventário perpétuo, de modo que um sistema mantém registros atualizados dos saldos de inventário. Você não pode usar o método de estoque médio móvel se você estiver usando apenas um sistema de inventário periódico. Uma vez que esse sistema apenas acumula informações no final de cada período contábil e não mantém registros no nível da unidade individual. Além disso, quando as avaliações de inventário são derivadas usando um sistema de computador, o computador torna relativamente fácil ajustar continuamente avaliações de estoque com este método. Por outro lado, pode ser bastante difícil usar o método da média móvel quando os registros de inventário são mantidos manualmente, uma vez que o pessoal de escritório ficaria sobrecarregado com o volume de cálculos necessários. Exemplo de método de inventário médio móvel Exemplo 1. A ABC International possui 1.000 widgets verdes em estoque no início de abril, a um custo por unidade de 5. Assim, o saldo de inventário inicial de widgets verdes em abril é de 5.000. A ABC então compra 250 greeen widgets adicionais em 10 de abril por 6 cada (compra total de 1.500) e outros 750 widgets verdes em 20 de abril por 7 cada (compra total de 5.250). Na ausência de qualquer venda, isso significa que o custo médio móvel por unidade no final de abril seria de 5,88, o qual é calculado como um custo total de 11,750 (5,000 saldo inicial 1,500 compras 5,250 compras), dividido pelo total de on - Contagem de unidade de mão de 2.000 widgets verdes (1.000 saldo inicial 250 unidades compradas 750 unidades compradas). Assim, o custo médio móvel dos widgets verdes foi de 5 por unidade no início do mês e de 5,88 no final do mês. Vamos repetir o exemplo, mas agora incluem várias vendas. Lembre-se de que recalculamos a média móvel após cada transação. Exemplo 2. A ABC International possui 1.000 widgets verdes em estoque no início de abril, com um custo por unidade de 5. Ele vende 250 dessas unidades em 5 de abril e registra uma carga no custo de mercadorias vendidas de 1.250, o que É calculado como 250 unidades x 5 por unidade. Isso significa que agora existem 750 unidades em estoque, a um custo por unidade de 5 e um custo total de 3.750. A ABC então compra 250 widgets verdes adicionais em 10 de abril por 6 cada (compra total de 1.500). O custo médio móvel é agora de 5,25, que é calculado como um custo total de 5 250, dividido pelas 1.000 unidades ainda disponíveis. A ABC vende 200 unidades no dia 12 de abril e registra uma carga no custo de mercadorias vendidas de 1.050, que é calculado como 200 unidades x 5,25 por unidade. Isso significa que existem agora 800 unidades restantes em estoque, a um custo por unidade de 5,25 e um custo total de 4,200. Finalmente, a ABC compra mais 750 widgets verdes em 20 de abril por 7 cada (compra total de 5.250). No final do mês, o custo médio móvel por unidade é de 6,10, que é calculado como custos totais de 4 200 5 250, dividido pelo total de unidades remanescentes de 800 750. Assim, no segundo exemplo, a ABC International começa o mês com 5.000 Saldo inicial de widgets verdes a um custo de 5 cada, vende 250 unidades ao custo de 5 em 5 de abril, revisa seu custo unitário para 5,25 após uma compra em 10 de abril, vende 200 unidades no custo de 5,25 em 12 de abril e Por fim, revisa seu custo unitário para 6.10 após uma compra em 20 de abril. Você pode ver que o custo por unidade muda após uma compra de inventário, mas não após uma venda de estoque. Na prática, a média móvel fornecerá uma boa estimativa da média da Séries temporais se a média for constante ou mudando lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo significará os efeitos da variabilidade. O objetivo de fornecer um m mais pequeno é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente das séries temporais. A figura mostra as séries temporais usadas para ilustração juntamente com a demanda média da qual a série foi gerada. A média começa como uma constante em 10. Começando no tempo 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Depois, ela se torna constante novamente. Os dados são simulados adicionando à média, um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas utilizadas para o exemplo. Quando usamos a tabela, devemos lembrar que, em qualquer momento, apenas os dados passados ​​são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas em conjunto com a média das séries temporais na figura abaixo. A figura mostra a estimativa média móvel da média em cada momento e não a previsão. As previsões mudariam as curvas médias móveis para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel está atrasada por trás da tendência linear, com o atraso crescente com m. O atraso é a distância entre o modelo ea estimativa na dimensão temporal. Devido ao atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um momento específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzido na estimativa são funções de m. Quanto maior o valor de m. Maior a magnitude do atraso e do viés. Para uma série cada vez maior com tendência a. Os valores de lag e de polarização do estimador da média são dados nas equações abaixo. As curvas de exemplo não combinam essas equações porque o modelo de exemplo não está aumentando continuamente, antes ele começa como uma constante, muda para uma tendência e depois se torna constante novamente. Além disso, as curvas de exemplo são afetadas pelo ruído. A previsão média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o desvio aumentam proporcionalmente. As equações abaixo indicam o atraso e a polarização de um período de previsão para o futuro em relação aos parâmetros do modelo. Novamente, essas fórmulas são para uma série de tempo com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se no pressuposto de uma média constante, e o exemplo tem uma tendência linear na média durante uma parcela do período de estudo. Como as séries em tempo real raramente obedecerão exatamente aos pressupostos de qualquer modelo, devemos estar preparados para esses resultados. Também podemos concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menores. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos os desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças Em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal é verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com uma média constante. Este termo é minimizado fazendo o m o mais grande possível. Um grande m faz com que a previsão não responda a uma mudança nas séries temporais subjacentes. Para tornar as previsões sensíveis às mudanças, queremos m o mais pequeno possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento de previsão implementa as fórmulas da média móvel. O exemplo abaixo mostra a análise fornecida pelo suplemento para os dados da amostra na coluna B. As primeiras 10 observações são indexadas -9 a 0. Comparadas com a tabela acima, os índices do período são deslocados em -10. As primeiras dez observações fornecem os valores de inicialização para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro médio móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão eo desvio médio médio (MAD) são calculados nas células E6 e E7, respectivamente.