Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Metodi esplicativi
Metodi estrapolativi
Metodi di previsione
Giovanni Righini
Universit degli Studi di Milano
Corso di Logistica
Introduzione
Metodi esplicativi
Metodi estrapolativi
I metodi di previsione
I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali a partire dai dati. Le previsioni possono avere diversi orizzonti temporali: breve termine (es.: numero di chiamate ad un call center nelle prossime settimane) medio termine (es.: previsioni di vendita per il piano nanziario annuale di unazienda) lungo termine (es.: domanda di automobili a idrogeno nei prossimi decenni)
Introduzione
Metodi esplicativi
Metodi estrapolativi
Testi di riferimento
C. Vercellis, Modelli e decisioni : strumenti e metodi per le decisioni aziendali, Pitagora Editrice, Bologna 1997 G. Ghiani, R. Musmanno, Modelli e metodi per lorganizzazione dei sistemi logistici, Pitagora Editrice, Bologna 2000 C. Vercellis, Business intelligence: modelli matematici e sistemi per le decisioni, McGraw-Hill, Milano 2006
Introduzione
Metodi esplicativi
Metodi estrapolativi
Classicazione
Esistono metodi qualitativi e quantitativi. Metodi qualitativi: Opinione di esperti Sondaggio di mercato Metodo Delphi Metodi qualitativi: Metodi esplicativi: si suppone esista un legame causa-effetto e lo si vuole rappresentare formalmente; Metodi estrapolativi: si vogliono desumere delle regolarit dalle osservazioni disponibili.
Metodi esplicativi
Metodi estrapolativi
Analisi di regressione
Lobiettivo di identicare un legame funzionale tra un effetto e le sue presunte cause. Si osserva una grandezza y (variabile dipendente) e si suppone sia funzione di altre grandezze x (variabili indipendenti). y = f (x ) Se la variabile indipendente una sola, si ha la regressione semplice. Conoscendo (da osservazioni precedenti) alcune coppie di valori (xi , yi ), si vuole trovare la funzione f () che meglio le spiega.
Metodi esplicativi
Metodi estrapolativi
Analisi di regressione
Invece di cercare una funzione, potenzialmente complicata, che spieghi esattamente le osservazioni, si preferisce cercare una funzione semplice che spieghi le osservazioni con una certa approssimazione. Si ammette quindi che i valori ottenuti dal calcolo di f (x i ) possano differire dai valori osservati yi . Se la funzione f () una retta, si ha la regressione lineare. y = A + Bx + La differenza tra valori calcolati e valori osservati il residuo ed una variabile casuale che deve soddisfare due requisiti: distribuzione normale con media nulla indipendenza tra
i
ed
per ogni i = j .
Metodi esplicativi
Metodi estrapolativi
Q=
i =1
(f (xi ) yi )2
che la funzione obiettivo che si vuole minimizzare. Le incognite, o variabili decisionali, sono i parametri della retta, cio A e B. Per trovare i loro valori ottimi, basta calcolare le derivate parziali di Q rispetto ad A e B e porle uguali a zero.
Metodi esplicativi
Metodi estrapolativi
3 data
0 -1 -1 time 0 1 2 3 4 5 6
Metodi esplicativi
Metodi estrapolativi
ey =
N i =1 yi
Sxy e A = y Bx Sxx
x )2
x )(yi y ) y )2
Metodi esplicativi
Metodi estrapolativi
Se si vuole imporre che la retta di predizione y = A + Bx passi per lorigine, si pone A = 0 e si stima solo B=
N i =1 xi yi N 2 i =1 xi
Metodi esplicativi
Metodi estrapolativi
A posteriori importante valutare lafdabilit del modello usato. Pendenza della retta: Il modello si ritiene non-signicativo se un dato intervallo di condenza per B contiene il valore 0. Coefciente di correlazione lineare (indice di Pearson): S r = xy .
Sxx Syy
Si ha sempre 1 r 1. Se r > 0 la retta sale, se r < 0 la retta scende. Se |r | 1, la correlazione lineare forte; se |r | 0, debole.
N 2 i =1 (f (xi )yi )
N 2
1 N 2 (Syy
BSxy ).
Introduzione
Metodi esplicativi
Metodi estrapolativi
Serie storiche
Una serie storica una sequenza di valori y t assunti da una grandezza di interesse in corrispondenza di istanti temporali t . Se essi deniscono un insieme discreto la serie storica viene detta a tempo discreto. Considereremo serie storiche a tempo discreto con istanti t uniformemente distanziati nel tempo (anni, settimane, giorni,...).
Introduzione
Metodi esplicativi
Metodi estrapolativi
Classicazione
I metodi estrapolativi si possono applicare alla previsione di un solo periodo o di pi periodi in avanti. Metodi di scomposizione delle serie storiche Metodi di smoothing esponenziale:
Metodo di Brown Metodo di Holt Metodo di Winters
Modelli autoregressivi:
Modelli Modelli Modelli Modelli autoregressivi (AR) a media mobile (MA) autoregressivi a media mobile (ARMA) autoregressivi a media mobile integrata (ARIMA)
Metodi esplicativi
Metodi estrapolativi
Metodi esplicativi
Metodi estrapolativi
Media mobile
Conoscendo il periodo L della componente stagionale, la si pu rimuovere calcolando la media su tutti i periodi di lunghezza L.
t + L1 2 i =t L1 2
yi
1 y + 2 t L 2
t + L 1 2 yi + 1 y 2 t+ L i =t L +1 2 2
Per separare la componente tendenziale m dalla componente v , si ipotizza che la prima sia lineare e la si ricava con la regressione lineare semplice, dove il tempo la variabile indipendente.
Metodi esplicativi
Metodi estrapolativi
Indici di stagionalit
La componente stagionale e aleatoria si ricava da (sr ) t = Gli indici di stagionalit s 1 , . . . , s L si ottengono come st =
k (sr )t +kL yt (mv )t
Nt
dove gli estremi della sommatoria sono tali da coprire tutti i (sr ) calcolati in precedenza ed Nt indica il numero degli addendi. Gli indici cos ricavati vengono poi normalizzati: st = Lst
L t =1
st
t = 1, . . . , L.
Metodi esplicativi
Metodi estrapolativi
Componente tendenziale
1200,0 1000,0 800,0 600,0 400,0 200,0 0,0 1 21 41 61 81 101 121 141
Periodi
Metodi esplicativi
Metodi estrapolativi
Com ponente stagionale 1,2 1,1 1,0 0,9 0,8 0,7 0,6 7 27 47 67 87 Periodi 107 127 147
Metodi esplicativi
Metodi estrapolativi
Previsione
La previsione fatta combinando le componenti tendenziale m e stagionale s .
Predizione
1100,0 1000,0 900,0 800,0 700,0 600,0 500,0 400,0 7 27 47 67 87 107 127 147 167 Serie storica Predizione
Periodi
Metodi esplicativi
Metodi estrapolativi
Introduzione
Sono metodi per la predizione di serie storiche semplici, versatili e accurati. Ne esistono diversi, che tengono o meno conto dellesistenza di componenti tendenziali e stagionali nella serie storica in esame. Lidea di base quella di pesare maggiormente le osservazioni pi recenti rispetto a quelle pi remote nel passato. Questo rende i metodi di smoothing capaci di adeguarsi rapidamente a variazioni improvvise nel valore della serie storica a causa di eventi che modicano la regolarit del fenomeno osservato (guasti tecnici, offerte speciali, fallimento di aziende concorrenti, crisi nanziarie...).
Metodi esplicativi
Metodi estrapolativi
Metodo di Brown
il metodo di smoothing esponenziale semplice. Media smorzata: st = yt + (1 )st 1 t 2 s1 = y 1 Predizione: ft +1 = st con 0 1. Per prossimo a 0 il modello pi inerte; per prossimo a 1 pi reattivo. Il valore ottimo di si ottiene minimizzando lo scarto quadratico medio.
Metodi esplicativi
Metodi estrapolativi
Metodo di Holt
il metodo di smoothing esponenziale con correzione di tendenza. Media smorzata: st = yt + (1 )(st 1 + mt 1 ) t 2 s1 = y 1 mt = (st st 1 ) + (1 )mt 1 t 2 m1 = y 2 y 1
Metodi esplicativi
Metodi estrapolativi
Metodo di Winters
il metodo di smoothing esponenziale con correzione di tendenza e di stagionalit (di periodo L noto). Media smorzata:
t st = qty + (1 )(st 1 + mt 1 ) t 2 L
mt = (st st 1 ) + (1 )mt 1 t 2
t qt = y st + (1 )qt L t L + 1
s1 = y 1 qt =
m1 = y 2 y 1
con 0 1, ottimizzato minimizzando lo scarto quadratico medio. La predizione ft +1 = (st + mt )qt L+1 .
yt L =1 y /L
t = 1, . . . , L
Metodi esplicativi
Metodi estrapolativi