SERII DE TIMP

aplicatii
 Medii mobile ( MM)
Exemplul 1
Period Gas 3-period 5-period
Sales moving Avg.moving Avg.
1 39
2 37 45.6667
3 61 52.0000 42.6000
46.0000
 MM din 3 termeni
4 58 45.6667
5 18 44.0000 55.0000 (39+37+61)/3
48.2000
6 56 52.0000
44.8000
= 45.6667
7 82 55.0000
8 27 50.0000
55.0000
53.6000
 MM din 5 termeni
9
10
41
69
45.6667
53.0000
50.4000 (39+37+61+58+18)/5
55.8000
11 49 61.3333 56.0000
= 42.6000
12 66 56.3333 60.2000
13 54 54.0000 63.6000
14 42 62.0000
15 90 66.0000
16 66
 Medii mobile
Exemplul 1
Moving Average

100
80
60 Actual
40 Forecast
20
0
1 3 5 7 9 11 13 15
 MOVING AVERAGES
Example 1
5-period moving average inlatura mai
multa variatie decit 3-period moving average.
Nivelarea poate inlatura
100
componente de interest.
80 In cazul 5-period moving average
60 Este eliminata sezonalitatea
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

5-period moving average 3-period moving average

 ANALIZA TRENDULUI FOLOSIND
MODELUL DE REGRESIE

 Trendul poate fi analizat folosind modelul de

regresie
 Trend liniar
y = b 0 + b 1t + e
 Trend neliniar ( exemplu )
Daca = 0 nu exista trend
 b1 > 0 trend crescator
 b1 < 0 trend descrescator
 Marimea lui b1 arata modificarea medie a lui Y
cind X se modifica cu o unitate
 TREND LINIAR
Example 2
Year Sales Year Sales
1 18.0 6 21.1
2 19.4 7 23.5
3 18.0 8 23.2
4 19.9 9 20.4
5 19.3 10 24.4
 t Line Fit Plot

30

25

20

Sales
15
Forecast for period 11
10
yˆ  17.28  0.6254(11)  24.15
5

SUMMARY OUTPUT 0
0 5 10 15

Regression Statistics
Multiple R 0.829573
R Square 0.688192
Adjusted R Square
0.649216
yˆ  17.28  .6254t
Standard Error
1.351968
Observations 10

ANOVA
df SS MS F Significance F
Regression 1 32.27345 32.27345 17.65682 0.002988
Residual 8 14.62255 1.827818
Total 9 46.896

Coefficients
Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 17.28 0.92357 18.71 6.88E-08 15.15024 19.40976
t 0.625455 0.148847 4.202002 0.002988 0.282213 0.968696
 Rezultate trend

 Trendul este
exprimat prin yˆ  17.28  0.6254t
functia:

 Trendul este
crescator 0.625 >0
 Y se modifica in
medie cu 0.625 de
la un an la altul
 Prognoza cu modelul de
regresie
 Valoarea prognozata pentru anul urmator
( t = 11 )

yˆ  17.28  0.6254(11)  24.1599

 Sezonalitatea
Exemplul 3

Masuram sezonalitatea cu ajutorul indicilor de

sezonalitate.Indicele de sezonalitate arata
abaterea valorilor observate de la trend
datorita sezonalitatii

Year Quarter Rate Year Quarter Rate Year Quarter Rate

1991 1 0.561 1993 1 0.594 1995 1 0.665
2 0.702 2 0.738 2 0.835
3 0.8 3 0.729 3 0.873
4 0.568 4 0.6 4 0.67
1992 1 0.575 1994 1 0.622
2 0.738 2 0.708
3 0.868 3 0.806
4 0.605 4 0.632
 Sezonalitatea
Example 3
 Determinam trendul cu ajutorul unui
model de regresie
y = b 0 + b 1t + e
Time (t) Rate
1 0.561
ŷ  .639368  .005246t
2 0.702
3 0.8
4 0.568
Rate

5 0.575
6 0.738
7 0.868
8 0.605 0 5 10 15 20 25
. .
. . The regression linet represents trend.
 Sezonalitatea
y t  Tt  St  Rt
yt Tt  St  Rt
  St  Rt
yˆ t Tt
Nu mai exixta trend dar
sezonalitatea si componenta
aleatoare exixta inca
Rate/Predicted rate

1.5

0.5

0
1 3 5 7 9 11 13 15 17 19
Interpretare indici sezonalitate
 Calculam raportul dintre valorile observate ale lui y si valorile
care exprima trendul ( vezi slid-ul urmator )
 Calculam media pentru fiecare trimestru. Aceasta medie
reprezinta indicii de sezonalitate ai perioadei respective
 Ex.
Pentru Trim 1 indicele de sezonalitate este 0.878 Aceasta
inseamna ca in trimestrul 1 valorile reale ale lui Y sunt cu 12.2
% mai mici decit cele care exprima trendul
87.8% - 100% = 12.2%
Pentru trim 2 indicele de sezonalitate este 1.076. Deci valoarea
reala a lui y este mai mare cu 7.6% decit trendul
107.6% - 100% = 7.6%
Exemplul 3

0.870
1.080
1.221
0.860
0.864
1.100
1.284
0.888
0.865
1.067
1.046
0.854
0.879
0.993 Average ratio for quarter 1: (.870 + .864 + .865 + .879 + .913)/5 = .878
1.122
Average ratio for quarter 2: (1.080+1.100+1.067+.993+1.138)/5 = 1.076
0.874
0.913 Average ratio for quarter 3: (1.222+1.284+1.046+1.123+1.182)/5 = 1.171
1.138
Average ratio for quarter 4: (.861 +.888 + ..854 + .874 + .900)/ 5 = .875
1.181
0.900
 Sezonalitatea
Exemplul 3
Trendul si sezonalitatea sunt recompuse
folosind un model multiplicativ.

ŷ t  T̂t  Ŝ t  (.639  .0052t )Ŝ t

In period #1 ( quarter 1): ŷ1  T̂1  Ŝ1  (.639  .0052(1))(.878)  .566
In period #2 ( quarter 2): ŷ 2  T̂2  Ŝ2  (.639  .0052(2))(1.076)  .699
0.9
Actual series Smoothed series
0.8

0.7

0.6
The linear trend (regression) line
0.5
1 3 5 7 9 11 13 15 17 19
 Previziune cu modelul liniar

 Folosim pentru previziune trendul si

sezonalitatea.

Ft  [bˆ 0  bˆ 1t ]  SIt
 Previziune
Exemplul : 4
 Prognoza pentru t = 21 folosind trendul
ŷ t  .639  .00525t
ŷ 21  .639  .00525(21)  .749

 Valoare prognozata pe baza trendului si

sezonalitatii F21 = .749(.878)=.658