Documente Academic
Documente Profesional
Documente Cultură
pe date; sunt folosite pentru prognoze pe termen lung (mai ales cnd
intervin factori ext.) sau atunci cnd nu exist date istorice sau
acestea sunt limitate;
ex: prerea experilor, metoda Delphi, analogii istorice.
bazate pe serii de timp n cazul n care evoluia curent a unui
indicator depinde de nivelul anterior (n ipoteza pstrrii unui
comportament inerial al fenomenului); ex: metoda mediilor mobile,
metoda de ajustare, metode de decompoziie.
cauzale pentru care este posibil identificarea unor relaii
funcionale de tipul Y=f(x1, x2, , xn) unde Y variabila dependent
este exprimat n funcie de nivelul factorilor independeni (x1, x2,
xn);
ex: analiza de regresie multipl, analiza de corelaie.
econometrice n cazul unor ecuaii simultane sau sisteme de
ecuaii ce descriu n form matematic diferite legiti economice.
METODE DE EXTRAPOLARE
METODE DE DECOMPOZIIE (BAZATE PE
DESCOMPUNEREA COMPONENTELOR)
semnificativ i fr influene
sezoniere sau ciclice
9
8
7
6
5
4
3
2
1
0
16
Media
Volumul vanzarilor
Volumul vanzarilor
14
12
10
8
6
4
2
0
5 6 7
Timpul
9 10
5
Timpul
3. Vnzri cu variaii
sezoniere fr trend
sezoniere
10
8
6
Media
4
2
Volumul vanzarilor
Volumul vanzarilor
15
10
5
0
0
1
Timpul
Timpul
9 10
Tipuri de extrapolari:
1. Extrapolarea analitic:
Utilizeaz drept baz informaional iniial un ir de date;
Seria poate fi extrapolat pe baza funciei matematice a evoluiei indicatorului n
timp.
Ideea de baz a acestor metode - considerarea seriei de date ca o succesiune de
valori ale unei funcii dependente de timp y=f(t), funcie care ar urma s fie
determinat cu aproximaie prin metode matematice. Foarte recunoscute metodele de nivelare (ajustare).
Tipul de funcie matematic asociat seriei se identific prin metoda
diferenelor finite
dac momentele ti, i=1,...,m sunt ordonate aritmetic, iar diferenele finite de
ordinul 1 ale valorilor seriei (diferenele dintre valori consecutive pentru variabila
Xi), notate X i , sunt constante, relaia dintre Xi i ti este o dreapt de forma:
X i = a + b ti
dac momentele ti, i=1,...,m se succed aritmetic, iar datele formeaz o progresie
geometric, relaia de legtur dintre acestea va fi o funcie exponenial de forma:
X i a b ti
1 ae
Tipuri de extrapolari:
2. Extrapolarea fenomenologic:
utilizeaz drept baz informaional iniial ipoteze
legate de structura fenomenului investigat.
Formal, deosebirea dintre extrapolarea analitic i cea
fenomenologic const n modul diferit de identificare al
clasei de funcii care descrie tendina de variaie a
fenomenului investigat. Acest tip de extrapolare este
utilizat cu precdere n cazul n care seriile de date
disponibile sunt relativ scurte; se pornete de la emiterea
unor ipoteze asupra indicatorilor ce caracterizeaz
fenomenul sau procesul.
O prim metod const n utilizarea experienei empirice sau a unor
1.
2.
yt yt 1 ... yt n1
Ft 1
n
n care: Ft+1 - valoarea previzionat n perioada t+1; yt - valoarea realizat n
perioada t; n - ordinul mediei mobile.
Adoptnd ordine diferite ale mediei mobile, se poate ajunge la o
(F
t n
yt )
mn
Vnzrile
efective
1
2
t-2
t-1
t
S1
S2
St-2
St-1
St
t+1
???????
Previziunea iniial;
Vnzrile efective din perioada curent t;
Constanta de nivelare 0 1 => aleas de decident.
Observaie: Produsul informatic WINQSB foloseste ca notaii:
Rt = St + (1-) Rt-1
Ft+1= Yt +(1-)Ft
de date reale.
(e t ) 2
t 1
n
n
et
t 1
n
CFE
Tracking Signal (semnal de urmarire) = TS = M AD
22.00
16.00
18.00
19.00
14.00
18.00
20.00
Forecast
by SES
21.00
21.30
19.71
19.20
19.14
17.60
17.72
18.40
Vanzarile
Luna Actual
Data
1
21.00
22
21
20
19
18
17
16
15
14
13
1
Timpul
Date reale
Estimatii alfa=0,3
Media
Alpha = 0.3
F(0) = 21
CFE = -8.66
MAD = 2.29
MSE = 9.12
MAPE = 14.08 Trk.Signal = -3.78
3. Algoritmul Holt-Winters
n situaia n care, n mod simultan se pot observa o component de tip
3. Algoritmul Holt-Winters
Modelul aditiv
Modelul multiplicativ
valoare
valoare
timp
timp
3. Algoritmul Holt-Winters
Aplicatie practica
O firma comercializeaz produse de sticlrie pentru menaj;
Trimestrul I
Trimestrul II
Trimestrul III
Trimestrul IV
2008
4000
4200
5600
5900
2009
5200
5700
7200
9500
2010
4750
5200
6900
9500
2011
5900
6300
8250
2012
3. Algoritmul Holt-Winters
Aplicatie practica (WINQSB)
Quarter
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Actual
Data x(t)
4000,0000
4200,0000
5600,0000
5900,0000
5200,0000
5700,0000
7200,0000
9500,0000
4750,0000
5200,0000
6900,0000
9500,0000
5900,0000
6300,0000
8250,0000
F(t)
T(t)
S(t)
0
0
0
4925,0000
5072,7500
5260,4630
5422,6950
5746,6880
5831,1450
5920,7480
6009,5550
6218,9490
6401,4840
6580,5230
6754,4200
0
0
0
0
29,5500
61,1826
81,3925
129,9125
120,8214
114,5778
109,4236
129,4177
140,0413
147,8406
153,0521
0,8122
0,8528
1,1371
1,1980
0,8761
0,9220
1,1943
1,3345
0,8576
0,9089
1,1804
1,3924
0,8768
0,9234
1,1927
Forecast
f(t+h)
4000,0000
4351,2000
6051,0080
6593,7300
5148,2150
5487,8360
7207,7780
8165,8770
5444,4530
5945,5590
7942,4090
9618,2310
6190,8710
= [4925+10]0,8122
= [5072,75+129,55]0,8528
........
6661,2880
8786,4180
= [6754,42+3153,0521]0,9234
=[6754,42+1153,0521]1,3924
= [6754,42+2153,0521]0,8768
= [6754,42+4153,0521]1,1927
3. Algoritmul Holt-Winters
Aplicatie practica
c=4
Alpha=0,1
Beta=0,2
Gamma=0,3
F(0)=4925
T(0)=0
S(1)=0,8122
S(2)=0,8528
S(3)=1,1371
S(4)=1,1980
Pentru exemplificare:
S(1) = x(1)/m= 4000/4925=0,8122
F(5) = x(5)/S(1) + (1-)[F(4)+T(4)] = 0,15200/0,8122 + 0,9[4925+0]=5072,75
T(5) = [F(5)-F(4)] + (1- )T(5)= 0,2[5072,75-4925] + 0,80 = 29,55
S(5) = x(5)/F(5) + (1- )S(1) = 0,35200/5072,75 + 0,70,8122 = 0,8761
n care la prima iteraie S(1)=0,8122, T(0)=0
Luna
1
2
3
4
5
6
7
8
9
10
11
12
Nr agenti Vanzari
10
15
18
17
16
18
20
21
23
23
24
22
1215
1251
1305
1383
1280
1450
1540
1750
1835
1923
2050
1950
Regression Statistics
R Square
Adjusted R
Square
Standard
Error
Observations
0,9608
1500
Y
Multiple R
0,9231
1000
Predicted Y
500
0,9154
0
0
89,1866
12
10
15
X Variable 1
ANOVA
df
Regression
Residual
1
10
Total
11
SS
MS
954166,161 954166,161
79542,506
7954,251
1033708,667
1046,712
81,685
Significance
F
F
119,957 0,00000069
t Stat
Upper
P-value Lower 95% 95%
54,891
19,069
0,000
7,458
10,952
0,000
924,408 1169,016
65,068
98,303
Lower
95,0%
Upper 95,0%
924,408
1169,016
65,068
98,303
Multiple R
R Square
Adjusted R
Square
Standard Error
Observations
0,9634
0,9281
0,9121
90,869
12
ANOVA
df
Regression
Residual
Total
Significance
SS
MS
F
F
2 959393,36 479696,68 58,09 7,162E-06
9
74315,31 8257,26
11 1033708,67
Standard
Coefficients
Error
Intercept
X Variable 1
X Variable 2
887,555
68,242
13,033
t Stat
PUpper
value Lower 95% 95%
207,707
4,273 0,002
417,688 1357,422
18,526
3,684 0,005
26,334
16,380
0,796 0,447
-24,022
Lower
95,0%
Upper
95,0%
417,688
1357,422
110,151
26,334
110,151
50,087
-24,022
50,087