1
Ricerca Operativa 2°modulo
A.A. 2008/2009
5. Metodi previsionali
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 2
Metodi previsionali
Previsione di dati e informazioni relativi a variabili che evolvono nel tempo
Data una serie storica di valori relativi al valore di un fenomeno (ad es. vendite) in periodi (ad es. mesi) passati, quale sarà il valore nei periodi di previsione (ad es.
mesi futuri) nell’orizzonte di previsione
(ad es. nel prossimo semestre)?
2
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 3
Principali metodi previsionali
Metodi qualitativi: esperienza, giudizio personale
Tecniche di regressione: esprimono un
fenomeno (variabile dipendente) come funzione di altri fenomeni correlati (variabili indipendenti)
Analisi delle serie storiche: dati storici
Altri modelli: modelli di tipo probabilistico (ARIMA, ARMA), reti neurali etc.
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 4
Analisi delle serie storiche
Serie storica: variabile statistica {Yi} dove le unità statistiche sono intervalli temporali regolari {ti}
Sovrapposizione di componenti:
Trend(tendenza nel breve/medio periodo)
Ciclica(variazioni su cicli nel lungo periodo)
Stagionale(variazioni regolarmente ricorrenti, legate alla natura del fenomeno: es. vendita gelati)
Casuale(variazioni non prevedibili)
Modelli:
Additivo: Y = T + C + S + R
Moltiplicativo: Y = T ⋅C⋅ S⋅ R (indici di variazione)
3
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 5
Indici di accuratezza “assoluti”
Misure di attendibilità rispetto al passato
Indichiamo {Yi}: serie storica; {Yi}: previsioni
Errore (o scarto) previsionale: Di = Yi – Yi
Errore assoluto medio (MAD Mean Absolute Deviation)
( Σ
i=1..n |Di|)
/ nErrore quadratico medio (MSE)
( Σ
i=1..n Di2)
/ nDeviazione standard
MSE½
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 6
Indici di accuratezza “dinamici”
Indicano la dinamica (temporale) dell’errore:
valutano tendenze dell’errore.
Serie storica del MAD
MADi =
( Σ
h=1..i |Dh|)
/ iSegnale di scostamento (tracking signal):
TSi =
( Σ
h=1..i Dh)
/ MADiconsidera le compensazioni dell’errore e individua una tendenza persistente dell’errore. L’indice dovrebbe essere limitato (tipicamente ±3, ±4, ±5,
±8 a seconda del livello di precisione richiesto).
4
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 7
Tecniche basate sullo smoothing
Ipotesi: Y = T ⋅⋅⋅⋅ R
⇒T si estrae “smussando” la serie con la media
Media assoluta:
Yi= (Y1+ Y2+ … + Yi-1) / i
Media mobile di ordine k:
Yi= (Yi-1 + Yi-2+ … + Yi-k) / k
Media mobile pesata di ordine k:
Yi= (αi-1Yi-1 + αi-2Yi-2+ … + αi-kYi-k) / Σj αj
Smussamento esponenziale(media con pesi esponenziali):
Yi= αYi-1+ (1 –α) Yi-1
Ricerca Operativa (2°modulo) – Ing. Luigi De Giovann i 5. Metodi previsionali – pag. 8
Previsioni con componente S
Ipotesi: Y = T
⋅⋅⋅⋅S
⋅⋅⋅⋅R
⇒ Prima di estrarre il trend, depurare da S
1. Calcolare gli indici stagionali Si:
i. per ogni stagione (mese) i dell’anno j, sij= Yij/mediaj(Yij) ii.verificare se c’è S: tutti gli sijsimili (per un dato i)
iii.Si= mediaj(sij)
2. Destagionalizzazione: Yi’ = Yi / Si 3. Analizzare la serie Y’ per ottenere Y’
4. Ottenere la previsione Yi= Y’i ⋅ Si