przewidywanie przyszłości
Transkrypt
przewidywanie przyszłości
Metody Ilościowe w Socjologii wykład 5, 6, 7 PROGNOZOWANIE I SYMULACJE dr inż. Maciej Wolny AGENDA I. Prognozowanie i symulacje– podstawowe informacje II. Prognozowanie szeregów czasowych III. Dekompozycja szeregu, grupy metod IV. Wybrane metody prognozowania Wybrana literatura 1. Prognozowanie gospodarcze. Metody i zastosowanie, red. M. Cieślak, PWN, Warszawa 2001 2. Zeliaś A., Pawełek B., Wanat S., Prognozowanie ekonomiczne. Teoria, przykłady, zadania, PWN, Warszawa 2003 3. Gajda J., Prognozowanie i symulacja a decyzje gospodarcze, Wyd. C.H. Beck, Warszawa 2001 4. Prognozowanie gospodarcze, red. E. Nowak, AW Placet, Warszawa 1998 5. Prognozowanie i symulacja, red. W. Milo, Wyd. UŁ, Łódź 2002 Przewidywanie przyszłości Przewidywanie przyszłości Racjonalne Zdroworozsądkowe Nieracjonalne Naukowe PROGNOZOWANIE to przewidywanie przyszłości w sposób racjonalny z wykorzystaniem metod naukowych PREDYKCJA to prognozowanie na podstawie modelu ekonometrycznego Funkcje prognoz Prognoza jako wynik prognozowania PROGNOZA to sąd sformułowany z wykorzystaniem dorobku nauki odnoszący się do określonej przyszłości, weryfikowalny empirycznie, niepewny (ale akceptowalny) Wyróżnia się trzy podstawowe funkcje prognoz: I. PREPARACYJNA (do podejmowania decyzji, stwarza dodatkowe przesłanki do podejmowania racjonalnych decyzji) II. AKTYWIZUJĄCA (pobudzenie do działań sprzyjających realizacji korzystnej prognozy, przeciwdziałających prognozie niekorzystnej) III. INFORMACYJNA (dostarcza informacji o badanym zjawisku) Metoda prognozowania METODA PROGNOZOWANIA to sposób przetworzenia danych z przeszłości wraz ze sposobem przejścia od przetworzonych danych do prognozy. Istnieją więc dwie fazy: • faza diagnozowania przeszłości - odbywa się przez budowę modelu formalnego (model ekonometryczny) lub myślowego (w umyśle eksperta) • faza określania przyszłości – polega na zastosowaniu odpowiedniej reguły prognozy Metody prognozowania Metody prognozowania Metody matematyczno-statystyczne Metody oparte na modelach deterministycznych Metody oparte na modelach ekonometrycznych Modele jednorównaniowe Modele wielorównaniowe: •prosty •rekurencyjny •o równaniach współzależnych •Klasyczne modele trendu •Adaptacyjne modele trendu •Modele przyczynowo-opisowe •Modele autoregresyjne Metody niematematyczne •Metody ankietowe •Metody intuicyjne •Metody kolejnych przybliżeń •Metoda ekspertyz •Metoda delficka •Metoda refleksji •Metody analogowe •Inne Reguły prognozowania • reguła podstawowa – prognoza postawiona na podstawie modelu, przy założeniu, że będzie on aktualny w prognozowanym okresie • reguła podstawowe z poprawką – prognoza postawiona na podstawie modelu z poprawką uwzględniającą, że ostatnio zaobserwowane odchylenia od modelu utrzymają się w przyszłości • reguła największego prawdopodobieństwa (dla zmiennych losowych, których rozkład prawdopodobieństwa jest znany) – prognozą jest wartość zmiennej, której odpowiada największe prawdopodobieństwo dla zmiennych skokowych lub maksymalna wartość funkcji gęstości prawdopodobieństwa dla zmiennych ciągłych • reguła minimalnej straty – przyjmuje się, że wielkość straty jest funkcją błędu prognozy i poszukuje się minimum tej funkcji. Prognozą jest wartość dla której ta funkcja przyjmuje minimum. Metody prognozowania Prognozowanie na podstawie modelu matematyczno-statystycznego to prognozowanie ilościowe Prognozowanie na podstawie modeli niematematycznych, to zwykle prognozowanie jakościowe Prognozy ilościowe dzielimy na: • punktowe, gdzie dla zmiennej prognozowanej wyznacza się jedną wartość dla T>n, • przedziałowe, w których wyznacza się przedział, w którym znajdzie się rzeczywista wartość zmiennej prognozowanej w prognozowanym okresie T>n. Etapy prognozowania Etapy prognozowania: I. Sformułowanie zadania prognostycznego II. Podanie przesłanek prognostycznych III.Wybór metody prognozowania IV.Ocena dokładności lub dopuszczalności prognozy V. Weryfikacja prognozy Baza danych Bazą danych do modelu zmiennej prognozowanej (1) yt=F(t,εt) lub (2) yt=F(x1t, x2t,...,xkt,εt) jest szereg czasowy w postaci: t yt t yt x1t x2t ... xkt 1 y1 1 y1 x11 x21 ... xk1 2 y2 2 y2 x12 x22 ... xk2 ... ... ... ... ... ... ... ... n yn n yn x1n x2n ... xkn Prognozy zmiennej prognozowanej yt wyznaczamy na okres T > n Prognozę na okres T będziemy oznaczać YT* Horyzont czasowy prognoz Prognoza krótkookresowa to prognoza na taki przedział czasowy, w którym zakłada się istnienie tylko zmian ilościowych. Prognozy takie wyznacza się przez ekstrapolację dotychczasowych związków (na podstawie modeli ekonometrycznych lub trendów) Prognoza średniookresowa dotyczy okresów czasu, w których oczekuje się zmian ilościowych oraz ewentualnie niewielkich zmian jakościowych. Prognoza musi uwzględniać oba typy zmian, musi przynajmniej umiarkowanie odchodzić od ekstrapolacji Prognoza długookresowa dotyczy przedziału czasu, w którym mogą występować zmiany ilościowe oraz znaczące zmiany jakościowe Modele ilościowe Prognozę na okres T > n można postawić wykorzystując model F (1) lub(2) jeśli spełnione są następujące założenia: 1. funkcja F wyraża pewną prawidłowość ekonomiczną, która jest stabilna w czasie (nie spodziewamy się żadnych zmian jakościowych), 2. składnik losowy εt jest stabilny, 3. w przypadku modelu ekonometrycznego znane są wartości zmiennych objaśniających w okresie T > n, czyli znane są wartości prognoz X1T*,X2T*,...,XkT*, 4. dopuszczalna jest ekstrapolacja modelu poza próbę, czyli poza obszar zmienności zmiennych objaśniających, jak i zmiennej (zmiennych) objaśnianej. Analiza danych Analiza danych w szeregu czasowym polega na: 1. Wyodrębnieniu obserwacji odstających 2. Stwierdzeniu braku lub istnienia trendu Y 35 A 30 25 20 15 10 5 0 0 2 4 6 8 10 t 12 Obserwacje odstające Po wyodrębnieniu obserwacji odstających należy ustalić: 1. Czy dana obserwacja pojawiła się w skutek błędu rejestracji danych, 2. Czy obserwacja pojawiła się w skutek jednokrotnego zjawiska zewnętrznego wpływu (np. realizacja pewnego dużego jednokrotnego zamówienia, o którym wiemy, że nie nastąpi już w przyszłości), 3. Czy obserwacja pojawiła się jako normalne wahanie losowe (przypadkowe) w próbie. W przypadku 1. oraz 2. obserwację A można pominąć, a brakującą wartość uzupełnić średnią arytmetyczną z obserwacji poprzedniej i następnej. W przypadku 3. obserwacja powinna pozostać w bazie danych statystycznych. Błąd prognozy Po wyborze modelu prognostycznego F można wyznaczyć prognozy dla T>n: (1) YT* =F(T) lub (2) YT*=F(x1T*, x2T*,...,xkT*) wraz z prognozą YT* należy wyznaczyć miernik dokładności prognozy Przy wyborze modelu prognostycznego należy dążyć do osiągnięcia zadowalającego poziomu miernika dokładności Wyróżniamy dwa typy mierników: 1. błąd ex post 2. błąd ex ante Błąd prognozy można zapisać jako Bt = yt – Yt* gdzie Yt* to wartość prognozy zmiennej Y na okres t, wyznaczona na podstawie modelu F, a yt to rzeczywista wartość zmiennej prognozowanej w okresie t. Trafność prognozy Błąd ex post może być wyznaczony dla wszystkich modeli ilościowych. Jeśli t będzie okresem, na który postawiono prognozę Y*t i okres ten już minął, to znana jest wartość rzeczywista Yt zmiennej prognozowanej. Taką prognozę Y*t nazywać będziemy prognozą wygasłą. Dla prognoz wygasłych można wyznaczyć błąd ex post. Rozróżniamy: 1. względny błąd prognozy (procentowy): 2. absolutny błąd prognozy: yt − yt* PE t = (⋅100%) (⋅ yt AEt = yt − yt* 3. względny absolutny błąd prognozy (procentowy): APE = t 4. kwadratowy błąd prognozy: * 2 t SE t = ( yt − y ) ( yt − yt* ) 2 5. względny kwadratowy błąd prognozy: PSE t = yt * y −y t t y t (⋅100 %) Trafność prognozy Do oceny trafności prognoz wygasłych (a a więc dopasowania modelu prognostycznego F do danych o zmiennej prognozowanej Y można wykorzystać następujące błędy: 1. średni absolutny błąd ex post prognoz wygasłych 2. średni względny absolutny błąd ex post prognoz wygasłych 3. średni błąd ex post prognoz wygasłych 4. średni względny błąd ex post prognoz wygasłych 5. średni kwadratowy błąd ex post prognoz wygasłych 6. pierwiastek średniego kwadratowego błędu ex post prognoz wygasłych 7. współczynnik Theila Do badania aktualności modelu prognostycznego – możemy użyć współczynnika Janusowego Prognozowanie na podstawie szeregów czasowych Składowe szeregu czasowego: I. Składowa systematyczna II. Składowa przypadkowa Składowa systematyczna: 1. Trend (tendencja rozwojowa) – długookresowa skłonność do jednokierunkowych zmian wartości badanej zmiennej, 2. Stały przeciętny poziom prognozowanej zmiennej – wartości oscylują wokół stałego poziomu, 3. Wahania cykliczne – długookresowe, powtarzające się rytmicznie w przedziałach czasu dłuższych niż rok, wahania wartości zmiennej wokół trendu lub stałego poziomu, 4. Wahania sezonowe – wahania wartości zmiennej wokół trendu lub stałego poziomu w przedziałach czasu nie przekraczających roku. Dekompozycja szeregu Proces wyodrębniania poszczególnych składowych szeregu czasowego Ocena wzrokowa sporządzonego wykresu Identyfikacja poszczególnych składowych szeregu czasowego na podstawie wykresów szeregu czasowego Analiza autokorelacji Oblicza się wartości współczynników korelacji między yt oraz yt-i (dla i=1,2,...,k), czyli współczynniki autokorelacji różnych rzędów. Bada się statystyczną istotność tych współczynników. Jeśli współczynniki dla kilku pierwszych rzędów są duże i statystycznie istotne, to wskazuje to na występowanie trendu. Jeśli występuje statystycznie istotny współczynnik autokorelacji rzędu równego liczbie faz cyklu sezonowego, to wskazuje to na występowanie wahań sezonowych. Ocena wzrokowa 14 12 10 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ocena wzrokowa 40 35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ocena wzrokowa 18 16 14 12 10 8 6 4 2 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ocena wzrokowa 45 40 35 30 25 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Modele szeregów czasowych ze stałym poziomem zmiennej prognozowanej bez wahań okresowych (1) Metoda naiwna Yt* = yt −1 metodę można stosować w przypadku niskiej zmienności zmiennej prognozowanej – zazwyczaj, w sytuacjach, gdy współczynnik zmienności nie przekracza 10% Metoda średniej ruchomej ważonej k-elementowej t −1 Yt * = k ∑ y ⋅w i i =t − k i −t + k +1 , ∑ wi = 1, wi > 0 dla i = 1,2,..., k . i =1 Stałą wygładzania k ustala się na podstawie najmniejszego błędu prognoz wygasłych, wagi wi ustala prognosta na podstawie 1 w = i wiedzy o zmiennej prognozowanej Y. Jeśli przyjmie się k to metodę nazywamy metodą średniej ruchomej k-elementowej. Modele szeregów czasowych ze stałym poziomem zmiennej prognozowanej (2) Prosty model wygładzania wykładniczego Yt * = α ⋅ yt −1 + (1 − α ) ⋅ Yt *−1 , α ∈ (0,1]. dla t =2, 3,Tn. model można stosować jeśli szereg nie cechuje zbyt silna zmienność (wahania przypadkowe nie są zbyt duże). Stałą wygładzania α wyznacza się eksperymentalnie na podstawie wybranego kryterium, jakie powinny spełniać prognozy wygasłe. Do wyboru modelu prognostycznego (prognozy) można wykorzystać analizę błędów ex post prognoz wygasłych Modele szeregów czasowych z tendencją rozwojową zmiennej prognozowanej bez wahań okresowych(1) Modele analityczne * Yt = f (t ) stosuje się do prognozowana zjawisk, które charakteryzowały się w przeszłości regularnymi zmianami, które można opisać za pomocą funkcji czasu i wobec których zakłada się niezmienność kierunku trendu. Wybór postaci analitycznej modelu dokonuje się na podstawie: • przesłanek teoretycznych dotyczących mechanizmu rozwojowego prognozowanego zjawiska, • oceny wzrokowej wykresu przeszłych wartości zmiennej, • dopasowania modelu do wartości rzeczywistych zmiennej prognozowanej. Przykład obliczeniowy (1) Wielkość sprzedaży rowerów stacjonarnych firmy Wettler u przedstawiciela na Górny Śląsk w ostatnich kwartałach przedstawiała się następująco [w szt.]: 105 109 115 118 120 121 123 124 125 126 128 128 Przyjmując, że czynniki kształtujące sprzedaż nie ulegną zmianie: a) postawić prognozę sprzedaży na kolejny kwartał (T=13) 130 125 120 115 110 105 100 1 2 3 4 5 6 7 8 9 10 11 12 Przykład obliczeniowy (trend liniowy) (2) 135 y = 1,9231x + 107,67 130 R2 = 0,8969 125 120 115 110 105 100 1 2 3 4 5 6 7 8 9 10 11 12 Przykład obliczeniowy (trend logarytmiczny) (3) 130 125 120 y = 9,6416Ln(x) + 104,11 115 R2 = 0,9907 110 105 100 1 2 3 4 5 6 7 8 9 10 11 12 Przykład obliczeniowy (4) t yt ln t Yt*=9,641648 ln t + 104,1075 1 105 0,0000 104 2 109 0,6931 111 3 115 1,0986 115 4 118 1,3863 117 5 120 1,6094 120 6 121 1,7918 121 7 123 1,9459 123 8 124 2,0794 124 9 125 2,1972 125 10 126 2,3026 126 11 128 2,3979 127 12 128 2,4849 128 2,5649 129 13 W kolejnym kwartale prognozowana sprzedaż wynosi 129 sztuk rowerów. Modele szeregów czasowych z tendencją rozwojową zmiennej prognozowanej y gdzie * T Model liniowy Holta = F n + (T − n ) ⋅ S n F t = α ⋅ y t + ( 1 − α ) ⋅ ( F t −1 + S t −1 ) S t = β ⋅ ( F t − F t − 1 ) + (1 − β ) ⋅ S t − 1 dla t=2, 3,T,n. Parametry wygładzania α i β dobiera się eksperymentalnie na podstawie wybranego kryterium, które powinny spełniać prognozy wygasłe. Ponadto α i β należą do przedziału [0;1]. Model wymaga wartości początkowych F1 oraz S1 .Można przyjąć: F1 = y1 , S1 = 0 lub F1 = y1 , S1 = y 2 − y1 lub F1 = a 0 , S1 = a1 z modelu liniowego Przykład obliczeniowy (1) Wielkość sprzedaży pralek automatycznych firmy „Kolar” u jednego z przedstawicieli w ostatnich miesiącach przedstawiała się następująco [w szt.]: 37 41 40 45 48 53 58 67 79 85 88 90 Przyjmując, że czynniki kształtujące sprzedaż nie ulegną zmianie: a) postaw prognozę na następny miesiąc 100 90 80 70 60 50 40 30 20 10 0 1 2 3 4 5 6 7 8 9 10 11 12 Przykład obliczeniowy (2) Początkowe rozwiązanie dla α=0,5 oraz β=0,5 t 1 2 3 4 5 6 7 8 9 10 11 12 13 yt 37 41 40 45 48 53 58 67 79 85 88 90 Ft 37 39 40 43 46,5 51,125 56,40625 63,94531 74,47852 83,87549 90,3551 94,00613 St 0 1 1 2 2,75 3,6875 4,484375 6,011719 8,272461 8,834717 7,657166 5,654099 y*t=Ft-1+St-1 37 40 41 45 49 55 61 70 83 93 98 100 2 (yt-y*t) 16 0 16 9 14,0625 10,16016 37,32446 81,77528 5,058106 22,18603 64,19644 25,06936 Przykład obliczeniowy (3) α=0,981598763552985 oraz β=0,702640116555618 t 1 2 3 4 5 6 7 8 9 10 11 12 13 yt 37 41 40 45 48 53 58 67 79 85 88 90 Ft 37 40,9264 40,06781 44,91324 48,00704 52,96711 57,98906 66,9234 78,91982 85,08546 88,08477 90,04469 St 0 2,758843 0,217095 3,469144 3,205412 4,438306 4,848399 7,719349 10,72459 7,52129 4,343963 2,66884 y*t=Ft-1+St-1 37 44 40 48 51 57 63 75 90 93 92 93 2 (yt-y*t) 16 13,58098 22,23209 0,146215 3,19534 0,353534 17,32676 18,9856 21,57054 21,22217 5,898745 12,77382 Modele szeregów czasowych z wahaniami okresowymi zmiennej prognozowanej (1) Metoda wskaźników • gdy występują wahania sezonowe wraz z tendencją rozwojową lub stałym przeciętnym poziomem • prognozę wyznacza się na podstawie wartości funkcji trendu skorygowanej o wskaźnik sezonowości • przy wahaniach bezwzględnie stałych (gdy amplitudy wahań, w analogicznych okresach są stałe) może być model addytywny: yTi* = yT*( w) + ci • przy wahaniach względnie stałych (wielkości amplitud zmieniają się mniej więcej w tym samym stosunku) może być model multiplikatywny: yTi* = yT*( w) ⋅ ci yT*(w) to wielkość prognozy wyznaczona z funkcji trendu lub •gdzie stałego przeciętnego poziomu Modele szeregów czasowych z wahaniami okresowymi zmiennej prognozowanej (2) 1.Oblicza się następujące wartości (eliminacja trendu): zti = yti − ŷt yti lub zti = ŷt 2.Oblicza się „surowe wskaźniki sezonowości” (eliminacja oddziaływania składnika losowego): 1 k −1 zi = z ∑ k i + j ×r ,i j =0 =0 k – liczba jednoimiennych faz w szeregu; r – liczba faz w cyklu 3.Wyznacza się „czyste wskaźniki sezonowości” (informują o natężeniu wahań sezonowych): zi 1 r ci = zi − q lub ci = q , gdzie q = z ∑ r i =1 4.Wyznacza się wartość prognozy: * ti y =y *( w ) t * ti + ci lub y = y *( w ) t ⋅ ci i Przykład obliczeniowy (1) Firma „Czarny diament” prowadzi sprzedaż paliwa opałowego klientom indywidualnym. Dochody firmy zależą praktycznie od wielkości sprzedaży miału opałowego. Dane dotyczące kwartalnej wielkości sprzedaży miału [t] z ostatnich lat przedstawiono w poniższej tabeli. Należy wyznaczyć prognozę na kolejne kwartały. 450 550 400 310 560 660 480 360 590 700 520 410 660 770 590 480 Przykład obliczeniowy (2) 900 800 700 600 500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Analiza amplitud wahań dopuszcza stosowanie modelu addytywnego, jak i multiplikatywnego. Przykład obliczeniowy (3) Model addytywny t yt y^t yt-y^t 1 450 450 0 2 550 461 89 3 400 471 -71 4 310 482 -172 5 560 493 67 6 660 504 156 7 480 514 -34 8 360 525 -165 9 590 536 54 10 700 547 153 11 520 558 -38 12 410 568 -158 13 660 579 81 14 770 590 180 15 590 601 -11 16 480 611 -131 i 1 2 3 4 zi 50,54 144,76 -38,51 -156,79 0 ci 50,54 144,76 -38,51 -156,79 * 17 ,1 = 622 ,25 + 50,54 = 672 ,79 * 18 ,2 = 633,03 + 144 ,76 = 777 ,79 * 19 ,3 = 643,81 + ( −38,51 ) = 605,30 * 20 ,4 = 654 ,59 + ( −156 ,79 ) = 497 ,80 y y y y Przykład obliczeniowy (4) Model multiplikatywny t yt y^t yt/y^t 1 450 450 1,00049 2 550 461 1,194201 3 400 471 0,848647 4 310 482 0,642997 5 560 493 1,13614 6 660 504 1,310365 7 480 514 0,933025 8 360 525 0,685407 9 590 536 1,100716 10 700 547 1,280189 11 520 558 0,932612 12 410 568 0,721383 13 660 579 1,139636 14 770 590 1,30528 15 590 601 0,982202 16 480 611 0,784993 i 1 2 3 4 zi 1,09 1,27 0,92 0,71 0,9999 ci 1,09 1,27 0,92 0,71 * 17 ,1 = 622 ,25 ⋅1,09 = 680 ,97 * 18 ,2 = 633,03 ⋅1,27 = 805,62 * 19 ,3 = 643,81⋅ 0 ,92 = 595,02 * 20 ,4 = 654 ,59 ⋅ 0 ,71 = 463,95 y y y y Modele szeregów czasowych z wahaniami okresowymi zmiennej prognozowanej (3) Metoda trendów jednoimiennych okresów • gdy występują wahania sezonowe wraz z tendencją rozwojową lub stałym przeciętnym poziomem • polega na szacowaniu parametrów analitycznej funkcji trendu oddzielnie dla poszczególnych faz cyklu • prognozę stawia się przez ekstrapolację odpowiedniej funkcji trendu Przykład obliczeniowy Należy wyznaczyć prognozę sprzedaży miału przez firmę „Czarny diament” na kolejne kwartały metodą trendów jednoimiennych okresów. I 450 560 590 660 II 550 660 700 770 III 400 480 520 590 IV 310 360 410 480 * y17 ,1 = 449 ,5 + 16 ,5 ⋅17 = 730 * y18 ,2 = 530 + 17 ,5 ⋅18 = 845 * y19 ,3 = 360 ,25 + 15,25 ⋅19 = 650 y*20 ,4 = 250 + 14 ⋅ 20 = 530 * t ,1 y = 449,5 + 16 ,5t y * t ,2 = 530 + 17 ,5t * t ,3 y = 360 ,25 + 15,25t y * t ,4 = 250 + 14t Prognozowanie przez analogie (1) • Analogie historyczne • Polegają na przenoszeniu prawidłowości historycznych wykrytych w jednych zmiennych (wiodących, wyprzedzających – służące do budowy prognozy) na inne zmienne (opóźnione, naśladujące – prognozowane) dotyczące tego samego obiektu prognostycznego • Dotyczą prognoz średnio- i długookresowych. Prognosta przyjmuje postawę aktywną • Analogie przestrzenno-czasowe • Polegają na przenoszeniu prawidłowości historycznych wykrytych w jednych obiektach na inne obiekty • Dotyczą prognoz średnio- i długookresowych. Prognosta przyjmuje postawę aktywną Analogie historyczne Przykład Przedsiębiorstwo „Podwiązka” sp. z o.o. produkuje dwa rodzaje pończoch: wzorzyste i ażurowe. Wzorzyste są sprzedawane od kilku lat, a ażurowe od kilku miesięcy. Wielkość sprzedaży obu rodzajów pończoch podano w kolejnej tabeli. Należy wyznaczyć przewidywaną wielkość sprzedaży pończoch ażurowych na najbliższe miesiące, wiedząc, że wymagania menedżerów zostaną spełnione, gdy względny błąd ex ante nie przekroczy 5%. Sprzedaż w tysiącach sztuk t Wzorzyste Ażurowe 30 1 8 17 2 8,8 18,1 3 9,5 19,4 4 10,9 21,1 5 12 21,4 6 13,2 22 7 14,1 24,8 8 15 24,9 9 16 24,8 10 18,3 24,9 11 18,5 26,6 12 18,4 24,1 1,006359 6,375845 13 18,7 23,5 0,031485 0,502368 14 20 24,5 0,981742 0,339767 15 18,1 22,5 1021,627 19 16 17 23 117,938 2,193387 17 17,5 21,2 18 16 20,9 19 16,1 20,9 20 15 21,1 21 14 20,7 22 14,1 20,8 23 14,2 21 24 14,3 22 25 20 15 10 5 0 0 5 10 15 20 25 yt = 1,006 ⋅ xt −3 + 6,376 yt – wlk sprzedaży pończoch ażurowych w okresie t [tys. szt.] Xt-3 – wlk sprzedaży pończoch wzorzystych w okresie nr t-3 [tys. szt.] 30 Prognozowana wielkość sprzedaży pończoch ażurowych na kolejne 3 okresy: * 25 y = 1,006 ⋅ x22 + 6,376 = 1,006 ⋅14,1 + 6,376 ≈ 20,6 * 26 y = 1,006 ⋅ x23 + 6,376 = 1,006 ⋅14,2 + 6,376 ≈ 20,7 * y27 = 1,006 ⋅ x24 + 6,376 = 1,006 ⋅14,3 + 6,376 ≈ 20,8 T 25 26 27 Bezwględny błąd ex ante 0,452980819 0,473773119 0,495694413 Wględny błąd ex ante 2,203% 2,293% 2,387% Heurystyczne metody prognozowania •Heurystyka (grec. heurisko – znajduję, odkrywam) – umiejętność wykrywania nowych faktów i związków między faktami, prowadząca do poznania nowych prawd. •Heurystyczne metody prognozowania – to metody wykorzystujące do budowy prognozy opinie ekspertów, czyli osób wybranych ze względu na ich wiedzę, doświadczenie, autorytet. •Opinie ekspertów są oparte na ich intuicji i doświadczeniu METODA DELFICKA Do prognozowania zjawisk nowych, dla których ilość informacji historycznych jest niewielka. Polega na badaniu opinii niezależnych i kompetentnych ekspertów na określony, prognostyczny temat. Opinie te najczęściej dotyczą prawdopodobieństwa lub czasu zaistnienia przyszłych zdarzeń, którą wyznacza się przez zastosowananie reguły największego prawdopodobieństwa SYMULACJA (1) similis (łac.) - podobieństwo, podobny similo (łac.) - podobny simulare (łac.) - udawać, upodabniać się mimeisthai (grec.) - naśladować, grać rolę imitatio (łac.) - naśladowanie SYMULACJA (2) Wikipedia (http://pl.wikipedia.org): Symulacja - eksperyment prowadzony na pewnego rodzaju modelu - matematycznym, informatycznym lub rzeczywistym, celem określenia znaczenia zmian wartości parametrów lub wartości zmiennych objaśniających dla wartości zmiennych prognozowanych. Symulacja komputerowa to technika polegająca na sprawdzaniu, jak zachowuje się dany system w różnych okolicznościach, a więc jaka jest wartość zmiennej wyjściowej, przy założeniu różnych wartości zmiennych wejściowych. Symulacje komputerowe polegają na zbudowaniu odpowiedniego modelu matematycznego zapisanego w komputerze (np. w arkuszu kalkulacyjnym lub w dowolnym języku programowania), który zawiera powiązania między zmiennymi wejściowymi a interesującą nas zmienną wyjściową. Techniki symulacyjne są szczególnie przydatne tam, gdzie analityczne wyznaczenie rozwiązania byłoby bardzo pracochłonne, a niekiedy nawet niemożliwe. DZIĘKUJĘ