1( - + = yyy - WSL
Transkrypt
1( - + = yyy - WSL
PROGNOZOWANIE I SYMULACJE mgr Żaneta Pruska Ćwiczenia 2 Zadanie 1 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: Kwartał Ilość wyprodukowanego t produktu X [tys. szt.] 1 125 prognozę na I kwartał 2010 roku korzystając 2 126 z modelu Browna. 3 115 2) Stwórz wykres. 4 118 3) Oceń trafność prognozy korzystając ze średniego 5 112 6 125 7 127 8 118 9 122 10 117 11 119 12 108 1) Stwórz model prognostyczny oraz wyznacz kwadratowego błędu prognozy. 13 Ad 2) Model Browna - prosty model wygładzania wykładniczego Wzór na obliczanie prognozy na jeden okres w przód yt* yt 1 (1 ) yt*1 W przypadku prostego modelu wygładzania wykładniczego niezbędne do wyznaczenia prognozy jest ustalenie wartości początkowej y1 *. Zazwyczaj przyjmuje się: pierwszą wartość rzeczywistą zmiennej prognozowanej lub średnią arytmetyczną rzeczywistych wartości zmiennej z przyjętej próbki wstępnej. 1 Następnie można dokonać prognozy według modelu Browna korzystając ze wzoru: yt* yt 1 (1 ) yt*1 2 Ad 3). Oceń trafność prognozy korzystając ze średniego kwadratowego błędu prognozy Zbudowany model Browna, z przyjętą wcześniej wartością parametru wygładzania α, nie musi być „najlepszy” do prognozowania danego szeregu czasowego. Za model „najlepszy” uznaje się model z taką wartością parametru α, dla którego błędy ex post prognoz wygasłych będą najmniejsze. Dużym ułatwieniem w celu obliczenia średniego kwadratowego błędu prognozy jest zastosowanie funkcji matematycznej SUMA.XMY.2. W celu znalezienia „najlepszego” modelu powinno się tak zmienić wartości parametru α, aby uzyskać jak najmniejszą wartość funkcji SUMA.XMY.2. Bardzo pomocny do rozwiązania tego zadania jest dodatek Solver. Okno dialogowe parametrów Solvera zostało przedstawione na poniższym rysunku. 3 Wartość „najlepszej” wartości α dla badanego szeregu czasowego wynosi 0,15. Średni kwadratowy błąd prognozy uległ zmniejszeniu do 6,04 tys. szt. 4 produkt X [tys.szt] 130 125 120 rzeczywista ilość produktu X 115 prognoza 110 105 1 2 3 4 5 6 7 8 9 10 11 12 PR O N G O ZA kwartał ZADANIE 2 Ilość przetransportowanych jednostek paletowych [szt.] przez przedsiębiorstwo XYZ realizujące usługi transportowo-spedycyjne w poszczególnych miesiącach 2009 roku wynosi: Miesiąc Ilość jednostek t paletowych [szt.] Zbuduj model prognostyczny oraz wyznacz prognozę dla 1 1254 przedsiębiorstwa XYZ na styczeń oraz luty 2010 roku 2 1405 korzystając z: 3 1595 4 1846 przyjmując: F1 = y1 , S1 = y2 – y1 5 2042 modelu funkcji liniowej, 6 2287 modelu funkcji wykładniczej, 7 2620 modelu funkcji potęgowej, 8 2620 modelu funkcji logarytmicznej. 9 2880 10 3216 11 3500 12 3800 modelu Holta, 5 Wzór na obliczenie prognozy według modelu Holta: yt* Ft 1 St 1 Do budowy liniowego modelu wygładzania wykładniczego Holta potrzebne są początkowe wartości F i S czyli F1 i S1. Jeden z możliwych wariantów to: F1 = y1 , S1 = y2 – y1 Po wyznaczeniu wartości początkowych można zastosować wzory: Ft yt 1 Ft 1 St 1 St Ft Ft 1 1 St 1 6 Prognoza: Dla modelu Holta, podobnie jak dla zbudowanego modelu Browna w poprzednim zadaniu, wykorzystujemy dodatek Solver oraz funkcję matematyczną SUMA.XMY.2 w celu znalezienia „najlepszego” modelu. Okno dialogowe parametrów Solvera zostało przedstawione na poniższym rysunku. 7 Wyniki uzyskane po zastosowaniu dodatku Solver dla wyznaczenia „najlepszego” modelu. 8 MODEL LINIOWY yt t gdzie: t – kolejna jednostka czasu α, β – estymowane parametry W celu uzyskania wartości estymowanych parametrów oraz parametru dopasowania R2 (współczynnik determinacji) można posłużyć się poleceniem: „Dodaj linię trendu”. Linię trendu dodaje się do wcześniej zbudowanego wykresu. Okno dialogowe: Wykres / Dodaj linię trendu - Typ Okno dialogowe: Wykres / Dodaj linię trendu – Opcje 9 Dzięki temu uzyskujemy wykres wraz z linią trendu / wykres poniżej. 4000 y = 228,83x + 934,7 jednostki paletowe 3500 2 R = 0,9909 3000 dane rzeczywiste 2500 Liniowy (dane rzeczywiste) 2000 1500 1000 1 2 3 4 5 6 7 8 9 10 11 12 miesiące Dodatkowo, w przypadku trendu liniowego, do oszacowania parametrów można wykorzystać funkcję: REGLINP. W wyniku zastosowania tej funkcji, uzyskuje się tablicę zawierającą następujące informacje: Współczynnik kierunkowy funkcji trendu: b Błąd oceny parametru b: s(b) Współczynnik determinacji:R2 Statystyka Fishera Regresyjna suma kwadratów odchyleń: ssreg Wyraz wolny funkcji trendu: a Błąd oceny parametru a: s(a) Standardowy błąd oceny modelu: s Liczba stopni swobody Resztowa suma kwadratów odchyleń: ssresid Okno dialogowe: funkcja REGLINP : 10 Formułę należy wprowadzić do zaznaczonego obszaru arkusza, który powinien mieć wymiar pożądanej tablicy wynikowej (2 kolumny, 5 wierszy). Po uzupełnieniu okna dialogowego należy użyć kombinacji klawiszy : Ctrl + Shift + Enter. Znając wartości parametrów wiemy, iż oszacowany model przyjmuje postać : . Na jego podstawie możliwe jest dokonanie prognoz: 11 MODEL FUNKCJI WYKŁADNICZEJ yt * e *t e – liczba Euler’a - e ~ 2,71 W celu uzyskania wartości estymowanych parametrów oraz parametru dopasowania R2 (współczynnik determinacji) można posłużyć się poleceniem: „Dodaj linię trendu”. Okno dialogowe: Wykres: 4500 0,0994x y = 1198,7e jednostki paletowe 4000 2 R = 0,9863 3500 dane rzeczywiste 3000 Wykł. (dane rzeczywiste) 2500 2000 1500 1000 1 2 3 4 5 6 7 8 9 10 11 12 miesiące Dodatkowo, w przypadku modelu wykładniczego, do oszacowania parametrów można wykorzystać funkcję: REGEXPP: 12 Znając wartości parametrów możliwe jest zbudowanie modelu prognostycznego: 13 MODEL FUNKCJI POTĘGOWEJ yt t 4000 0,4626 y = 1058,5x jednostki paletowe 3500 2 R = 0,9388 3000 dane rzeczywiste 2500 Potęg. (dane rzeczywiste) 2000 1500 1000 1 2 3 4 5 6 7 8 9 10 11 12 miesiące 14 MODEL FUNKCJI LOGARYTMICZNEJ yt ln t 4000 y = 1014,2Ln(x) + 732,78 jednostki paletowe 3500 2 R = 0,8555 3000 dane rzeczywiste 2500 Log. (dane rzeczywiste) 2000 1500 1000 1 2 3 4 5 6 7 8 9 10 11 12 miesiące 15 Funkcja: 16