t - WSL-ONLINE
Transkrypt
t - WSL-ONLINE
1 PROGNOZOWNIE Katedra Systemów Logistycznych mgr inż. Martyna Malak [email protected] 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsoft Office, a następnie kliknij przycisk Opcje programu Excel. 2. Kliknij pozycję Dodatki, a następnie w polu Zarządzaj wybierz pozycję Dodatki programu Excel. 3. Kliknij przycisk Przejdź. 4. W polu Dostępne dodatki zaznacz pole wyboru Solver, a następnie kliknij przycisk OK. Porada Jeśli pozycja Solver nie jest wyświetlana w polu Dostępne dodatki, kliknij przycisk Przeglądaj, aby odnaleźć ten dodatek. Jeśli zostanie wyświetlony monit informujący, że dodatek Solver nie został zainstalowany na komputerze, kliknij przycisk Tak, aby go zainstalować. Po załadowaniu dodatku Solver polecenie Solver będzie dostępne w grupie Analiza na karcie Dane. 3 METODY PROGNOZOWANIA KRÓTKOTERMINOWEGO stały poziom trend Model naiwny, Model Holta Modele średniej Modele analityczne arytmetycznej, Model Browna sezonowość Model wskaźników sezonowości Model Wintersa 4 Wygładzanie wykładnicze : - Stała aktualizacja prognoz wraz z napływem nowych informacji o zaobserwowanych wartościach prognozowanej zmiennej oraz o trafności wcześniejszych prognoz. - Przyszłe wartości zmiennej ustalane na podstawie średniej ważonej dotychczasowych obserwacji, przy czym wagi maleją wraz z wiekiem. 5 ZADANIE 1: Kwartał t Ilość wyprodukowanego produktu X [tys. szt.] 1 125 2 126 3 115 4 118 5 112 6 125 7 127 8 118 9 122 10 117 11 119 12 108 13 Firma Alfa jest jednym z głównych dostawców firmy Beta. Ilość produktu X, wyrażona w tysiącach wyprodukowanych i dostarczonych sztuk firmie Beta, w poszczególnych kwartałach, począwszy od I kwartału 2007 roku kształtowała się następująco: • Stwórz model prognostyczny oraz wyznacz prognozę na I kwartał 2010 roku korzystając z modelu Browna. • Stwórz wykres. • Oceń trafność prognozy korzystając ze średniego kwadratowego błędu prognozy. 6 Model Browna Model Browna może być zastosowany, gdy w szeregu czasowym występuje: stały (przeciętny) poziom zmiennej prognozowanej, wahania przypadkowe. Wzór na obliczanie prognozy na jeden okres w przód y yt 1 (1 ) y * t * t 1 yt* - prognoza zjawiska na okres t yt 1 - wielkość badanego zjawiska w okresie t-1 yt*1 - prognoza zjawiska (wartość wygładzania wykładniczego) w okresie t-1 - parametr modelu – stała wygładzania o wartości z przedziału [0,1] 7 y yt 1 (1 ) y * t * t 1 - stała wygładzania – waga przypisana ostatniej najświeższej obserwacji 0 - stała prognoza y y * t 1 * t 1 model naiwny y yt 1 * t 8 Model Browna Porównanie prognoz otrzymanych przy pomocy wygładzania wykładniczego dla różnych wartości stałej α produkcja [tys. szt.] 130 120 110 100 1 2 3 4 5 6 7 8 9 10 11 kwartał rzeczywista ilość wyprodukowanego produktu X model Browna, 0,05 model Browna, 0,5 model Browna, 0,8 12 13 9 Model Browna W przypadku prostego modelu wygładzania wykładniczego niezbędne do wyznaczenia prognozy jest ustalenie wartości początkowej. Zazwyczaj przyjmuje się: pierwszą wartość rzeczywistą zmiennej prognozowanej lub średnią arytmetyczną rzeczywistych wartości zmiennej z przyjętej próbki wstępnej Okres Wartość zmiennej - obserwacje Prognoza 1 120 =(120+123+117)/3 2 123 3 117 4 125 5 122 6 119 PRZYKŁAD : 10 y yt 1 (1 ) y * t * t 1 PRZYKŁAD dla α =0,5 Okres Wartość zmiennej - obserwacje Prognoza 1 120 (120+123+117)/3 = 120 2 123 0,5*120+(1-0,5)*120=120 3 117 0,5*123+(1-0,5)*120=121,5 4 125 0,5*117+(1-0,5)*121,5=119,25 5 122 ... 6 119 … 11 ZADANIE 1: Kwartał t Ilość wyprodukowanego produktu X [tys. szt.] 1 125 2 126 3 115 4 118 5 112 6 125 7 127 8 118 9 122 10 117 11 119 12 108 13 Firma Alfa jest jednym z głównych dostawców firmy Beta. Ilość produktu X, wyrażona w tysiącach wyprodukowanych i dostarczonych sztuk firmie Beta, w poszczególnych kwartałach, począwszy od I kwartału 2007 roku kształtowała się następująco: • Stwórz model prognostyczny oraz wyznacz prognozę na I kwartał 2010 roku korzystając z modelu Browna. • Stwórz wykres. • Oceń trafność prognozy korzystając ze średniego kwadratowego błędu prognozy. 12 Mierniki trafności prognozy Błędy prognoz ex post: 1) Bezwzględny błąd prognozy ex post - wielkość badanego zjawiska w okresie t, - prognoza wartości zmiennej na okres t, 2) Względny błąd prognozy ex post 3) Średni kwadratowy (standardowy) błąd prognozy ex post n – liczba obserwacji w szeregu czasowym Informuje o przeciętnym odchyleniu prognoz od wartości rzeczywistych w całym przedziale weryfikacji. 13 ZADANIE 2: Miesiąc Ilość jednostek t paletowych [szt.] 1 1254 2 1405 3 1595 4 1846 5 2042 6 2287 7 2620 8 2620 9 2880 10 3216 11 3500 12 3800 Ilość przetransportowanych jednostek paletowych [szt.] przez przedsiębiorstwo XYZ realizujące usługi transportowospedycyjne w poszczególnych miesiącach 2009 roku wynosi: Zbuduj model prognostyczny oraz wyznacz prognozę dla przedsiębiorstwa XYZ na styczeń oraz luty 2010 roku korzystając z: modelu Holta, przyjmując: F1 = y1 , S1 = y2 – y1 modelu funkcji liniowej, modelu funkcji wykładniczej, model funkcji potęgowej, model funkcji logarytmicznej. 14 Model Holta Model Holta opiera się na idei wyrównania wykładniczego. Model ten jest bardziej elastyczny od modelu Browna, ponieważ uwzględnia trend i posiada dwa parametry. Model prognozy można zapisać następująco: y Fn (t n) S n * t t>n Fn - wygładzona wartość zmiennej prognozowanej dla okresu n Sn - przyrost trendu na okres n n - liczba wyrazów szeregu czasowego 15 Model Holta y Fn (t n) S n * t y Ft 1 St 1 * t t>n Przy budowaniu modelu korzystamy z 2 równań – model dwurównaniowy: równanie wygładzające część stałą szeregu Ft yt 1 Ft 1 S t 1 równanie wygładzające przyrost szeregu S t Ft Ft 1 1 S t 1 n = t -1 16 α β parametry wygładzania 0,1 α - stała (parametr) wygładzająca część stałą szeregu, β - parametr określający siłę trendu (stała wygładzająca trend) α~ 0 stacjonarny, α ~ 1 duże wahania β ~ 0 słaby trend, β ~ 1 silny trend 17 Do budowy liniowego modelu wygładzania wykładniczego Holta potrzebne są początkowe wartości F i S czyli F1 i S1. Możliwości: F1 = y1 , S1 = y2 – y1 F1 = y1 , S1 = 0 F1 - wyraz wolny, S1 - współczynnik kierunkowy liniowej funkcji trendu oszacowanej na podstawie próbki wstępnej y2-y1=1405-1254=151 PRZYKŁAD : Miesiąc t Ilość jednostek paletowych [szt.] / yt Ft St 1 1254 1254 151 2 1405 3 1595 4 1846 … … Prognoza y*t 18 PRZYKŁAD : α= 0,8 β= 0,2 Ft yt 1 Ft 1 S t 1 S t Ft Ft 1 1 S t 1 Miesiąc t Ilość jednostek palet. yt Ft St 1 1254 1254 151 2 1405 0,8*1405+(1-0,8)*(1254+151)= =1405 0,2*(1405-1254)+(1-0,2)*151= =151 1254+151= =1405 3 1595 0,8*1595+(1-0,8)*(1405+151)= =1587,2 0,2*(1587,2-1405)+(1-0,2)*151= 157,24 1405+151= =1556 4 1846 0,8*1846+(1-0,8)*(1587,2+157,24)= =1825,69 0,2*(1825,69-1587,2)+(1-0,2)*157,24= =173,49 1587,2+157,24 ... … 1825,69+173,49 … … Prognoza y*t =1744,44 =1999,18 yt* Ft 1 St 1 19 ZADANIE 2: Miesiąc Ilość jednostek t paletowych [szt.] 1 1254 2 1405 3 1595 4 1846 5 2042 6 2287 7 2620 8 2620 9 2880 10 3216 11 3500 12 3800 Ilość przetransportowanych jednostek paletowych [szt.] przez przedsiębiorstwo XYZ realizujące usługi transportowospedycyjne w poszczególnych miesiącach 2009 roku wynosi: Zbuduj model prognostyczny oraz wyznacz prognozę dla przedsiębiorstwa XYZ na styczeń oraz luty 2010 roku korzystając z: modelu Holta, przyjmując: F1 = y1 , S1 = y2 – y1 modelu funkcji liniowej, modelu funkcji wykładniczej, model funkcji potęgowej, model funkcji logarytmicznej. 20 Modele analityczne Modele analityczne należą do klasy modeli ekonometrycznych, w których zmienną objaśniającą jest czas. Określenie funkcji trendu metodą analityczną polega na znalezieniu funkcji f (t), optymalnie pasującej do wyrazów szeregu czasowego zmiennej prognozowanej. Do oceny dopasowania modelu do danych empirycznych używa się na ogół współczynnika determinacji R2. Modele analityczne to: Funkcja liniowa Funkcja wykładnicza Funkcja potęgowa Funkcja logarytmiczna Funkcja wielomianowa 21 Funkcja liniowa Najczęściej spotykaną postacią funkcji trendu jest funkcja liniowa. yt t Y50 45 40 35 gdzie: t – kolejna jednostka czasu, α, β – estymowane parametry 30 25 20 1 2 3 4 5 6 7 8 9 10 11 12 czas Reprezentuje ona stały kierunek rozwoju danego zjawiska, wyznaczony przez współczynnik kierunkowy prostej. Parametr ten jest współczynnikiem stałego przyrostu wartości zmiennej prognozowanej w ciągu jednostki czasu. 22 W wielu przypadkach stosowanie liniowych funkcji trendu jest nieuzasadnione. Są sytuacje, w których należy zastosować funkcje o rosnących przyrostach, np.: funkcja wykładnicza, funkcja potęgowa. Funkcja wykładnicza yt e t , 0 yt , 1 t 60 Y 55 50 45 40 gdzie: t – kolejna jednostka czasu, α, β – estymowane parametr, e – liczba Euler’a e ~ 2,71 35 30 1 2 3 4 5 6 7 8 9 10 23 W sytuacjach, w których wzrost wartości zmiennej prognozowanej przebiega coraz wolniej i zdąża do pewnego poziomu, zastosowanie mogą znaleźć funkcje o malejących przyrostach: potęgowa, logarytmiczna, wielomianowa. Funkcja potęgowa yt t , 0 1 gdzie: t – kolejna jednostka czasu α, β – estymowane parametry Y50 40 30 20 1 2 3 4 5 6 7 8 9 10 czas 24 Funkcja logarytmiczna yt ln t , 0 gdzie: t – kolejna jednostka czasu α, β – estymowane parametry ln – logarytm naturalny Y50 40 30 20 1 2 3 4 5 6 7 8 9 10 czas 25 Dziękuję za uwagę