Impianti Industriali

ESERCITAZIONE - Analisi della domanda

Prof. Ing. Augusto Bianchini

Ing. Jessica Rossi

DIN – Dipartimento di Ingegneria Industriale

Università degli Studi di Bologna
 AGENDA

Analisi della domanda

• Indagine campionaria
• Correlazione lineare
• Estrapolazione
• Destagionalizzazione degli indici della produzione industriale
• Smorzamento esponenziale
 Indagine campionaria
INDAGINE CAMPIONARIA: ESERCIZIO
Si utilizza il metodo dell’indagine campionaria per prevedere l’andamento futuro della
domanda di un prodotto, basato sulla raccolta di opinioni. Le informazioni raccolte da un
opportuno campione dei partecipanti al mercato del prodotto, vengono elaborate con
un’analisi statistica.

Un’Azienda produttrice di bibite ha eseguito un’indagine campionaria per conoscere la

quantità media consumata della BIBITA ALFA (in termini di litri/anno) e prevedere quindi la
domanda di tale prodotto.
Un campione di n = 2265 persone, rappresentativo di un universo di N = 40 milioni di
persone, ha dato i seguenti risultati:
Consumi di BIBITA ALFA
Persone intervistate
(litri/anno)
0-5 546
5-10 845
10-15 410
15-20 221
20-25 187
25-30 56
TOTALE 2265 3
 Indagine campionaria

INDAGINE CAMPIONARIA: ESERCIZIO

Si indicano con:

𝑥𝑖 classi di consumo (numero di litri/anno consumati);

𝐹𝑖 = FREQUENZA ASSOLUTA: il numero di volte in cui gli intervistati hanno indicato una
certa classe di consumo 𝑥𝑖 ;

𝑓𝑖 = FREQUENZA RELATIVA: probabilità che si verifichi ogni classe di consumo 𝑥𝑖

𝑛
𝐹𝑖
𝑓𝑖 = → ෍ 𝑓𝑖 = 1 𝑛 = 𝑛𝑢𝑚𝑒𝑟𝑜𝑠𝑖𝑡à 𝑑𝑒𝑙 𝑐𝑎𝑚𝑝𝑖𝑜𝑛𝑒
𝑛
𝑖=1

𝑥ҧ = DOMANDA MEDIA
𝑛

𝑥ҧ = ෍ 𝑥𝑖 ∙ 𝑓𝑖
𝑖=1

4
 Indagine campionaria
INDAGINE CAMPIONARIA: ESERCIZIO

𝒙𝒊 𝑭𝒊
𝑭𝒊
consumi persone 𝒇𝒊 = 𝒙𝒊 ∙ 𝒇𝒊
(l/anno) intervistate 𝒏

0-5 546 0,2411 0,6026

5-10 845 0,3731 2,7980
10-15 410 0,1810 2,2627
15-20 221 0,0976 1,7075
20-25 187 0,0826 1,8576
25-30 56 0,02472 0,6799
TOTALE 2265 = n 1 9,9084

𝑛
𝑙𝑖𝑡𝑟𝑖
𝑥ҧ = ෍ 𝑥𝑖 ∙ 𝑓𝑖 ( )
𝑎𝑛𝑛𝑜 ∙ 𝑝𝑒𝑟𝑠𝑜𝑛𝑎
𝑖=1
5
 Indagine campionaria

INDAGINE CAMPIONARIA: ESERCIZIO

La deviazione standard del campione è data da:

𝜎𝑐 = ෍ 𝑥𝑖 − 𝑥ҧ 2 ∙ 𝑓𝑖
𝑖=1

𝑙𝑖𝑡𝑟𝑖
𝜎𝑐 ≅ 6,555
𝑝𝑒𝑟𝑠𝑜𝑛𝑎 ∙ 𝑎𝑛𝑛𝑜

La deviazione standard dell’intero universo è:

𝜎𝑐 𝜎𝑢
=
𝑛−1 𝑛

𝑙𝑖𝑡𝑟𝑖
𝜎𝑢 ≅ 6,557
𝑝𝑒𝑟𝑠𝑜𝑛𝑎 ∙ 𝑎𝑛𝑛𝑜

6
 Indagine campionaria
INDAGINE CAMPIONARIA: ESERCIZIO
In una distribuzione normale, per avere probabilità del 95%, si ha:

𝜎𝑐 𝜎𝑐
𝑃𝑟𝑜𝑏 𝑥ҧ − 2 ∙ ≤ 𝑀 ≤ 𝑥ҧ + 2 ∙ ≅ 95%
𝑛−1 𝑛−1

𝑃𝑟𝑜𝑏 9,63 ≤ 𝑀 ≤ 10,18 ≅ 95%

Il consumo medio di BIBITA ALFA consumata da ciascuna persona dell’universo

considerato è tra 9,63 e 10,18 litri/anno.

Moltiplicando il numero medio di bibita consumata all’anno da ciascuna persona per i 40

milioni di persone che costituiscono il mercato complessivo, risulta:

- DOMANDA TOTALE MINIMA: 9,63 ∙ 40 000 000 ≈ 385 315 000 litri/anno
- DOMANDA TOTALE MASSIMA: 10,18 ∙ 40 000 000 ≈ 407 360 000 litri/anno

7
 AGENDA

Analisi della domanda

• Indagine campionaria
• Correlazione lineare
• Estrapolazione
• Destagionalizzazione degli indici della produzione industriale
• Smorzamento esponenziale
 Correlazione lineare
CORRELAZIONE LINEARE: ESERCIZIO
Un venditore di gelato vuole prevedere quanto gelato venderà nei prossimi giorni cercando
una correlazione tra la temperatura giornaliera e la quantità di prodotto (kg) venduta.

xi - Temperatura (°C) yi - Gelato venduto (kg)

15,5 2,1
16,6 3,4
16,9 3,2
17,2 3,8
17,3 4,2
21,1 5,1
22 4,8
22,5 5,6
25,5 5,7
25 ?

Determinare la previsione di vendita per domani in cui si avrà una temperatura media
giornaliera di 25°C e calcolare il coefficiente di correlazione, avendo a disposizione i dati
storici dei giorni precedenti.

9
 Correlazione lineare

CORRELAZIONE LINEARE: ESERCIZIO

Si deve determinare la retta di regressione che esprime la variazione della domanda di
gelato y in funzione dell’indicatore ritenuto influente, ossia la temperatura.

𝑌 = 𝑎 + 𝑏 𝑥 − 𝑥ҧ

σ𝑛𝑖=1 𝑥𝑖
𝑥ҧ =
𝑛

σ𝑛𝑖=1 𝑦𝑖
𝑎= = 𝑦ത
𝑛

σ𝑛𝑖=1 𝑦𝑖 − 𝑦ത 𝑥𝑖 − 𝑥ҧ
𝑏=
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2

10
 Correlazione lineare
CORRELAZIONE LINEARE: ESERCIZIO

xi - Temperatura (°C) yi - Gelato venduto (kg) (yi-y ̅ ) (xi-x ̅) (yi-y ̅ )(xi-x ̅) (xi-x ̅)^2
15,5 2,1 -2,1 -3,9 8,2 15,2
16,6 3,4 -0,8 -2,8 2,3 7,8
16,9 3,2 -1,0 -2,5 2,5 6,3
17,2 3,8 -0,4 -2,2 0,9 4,8
17,3 4,2 0,0 -2,1 0,0 4,4
21,1 5,1 0,9 1,7 1,5 2,9
22 4,8 0,6 2,6 1,5 6,8
22,5 5,6 1,4 3,1 4,3 9,6
25,5 5,7 1,5 6,1 9,1 37,2
25 ? - - - -
Medie 19,4 4,21 Somma 30,4 95,0

a 𝟑𝟎, 𝟒
𝒃= ≈ 𝟎, 𝟑𝟏𝟗𝟖
𝟗𝟓

11
 Correlazione lineare

CORRELAZIONE LINEARE: ESERCIZIO

Si può calcolare la previsione della vendita di gelato di domani, sia quella dei giorni passati.

𝑌𝑖 = 𝑎 + 𝑏 𝑥𝑖 − 𝑥ҧ .

Inoltre si può valutare l’errore medio assoluto:

σ𝑛𝑖=1 𝑦𝑖 − 𝑌𝑖
𝑀𝐴𝐷 =
𝑛
con:
𝑌𝑖 : valore della variabile dipendente ottenuto introducendo 𝑥𝑖 nell’equazione della retta di
correlazione;

𝑦𝑖 : valore storico della variabile dipendente.

Inoltre si può calcolare il coefficiente di correlazione:

𝑦 − 𝑦ത 𝑥𝑖 − 𝑥ҧ
σ𝑛𝑖=1 𝑖
𝑟= 𝑛
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 σ𝑛𝑖=1 𝑦𝑖 − 𝑦ത 2

𝑛 𝑛
12
 Correlazione lineare
CORRELAZIONE LINEARE: ESERCIZIO
xi - Temperatura (°C) yi - Gelato venduto (kg) Yi previsione (kg) Errore |yi-Yi| Scarto quadratico (yi-Yi)^2
15,5 2,1 3,0 0,9 0,7
16,6 3,4 3,3 0,1 0,0
16,9 3,2 3,4 0,2 0,0
17,2 3,8 3,5 0,3 0,1
17,3 4,2 3,5 0,7 0,4
21,1 5,1 4,8 0,3 0,1
22 4,8 5,0 0,2 0,1
22,5 5,6 5,2 0,4 0,2
25,5 5,7 6,2 0,5 0,2
25 ? 6,0 - -
TOTALE 3,6 1,9
MAD 0,4
R 0,916

Y= 4,2 + 0,3198(x -19,4)

R=0,916

13
 AGENDA

Analisi della domanda

• Indagine campionaria
• Correlazione lineare
• Estrapolazione
• Destagionalizzazione degli indici della produzione industriale
• Smorzamento esponenziale
 Estrapolazione
ANALISI DELLA SERIE STORICA: DESTAGIONALIZZAZIONE DEGLI
INDICI DELLA PRODUZIONE INDUSTRIALE

ESERCIZIO: produzione di bottiglie in PET da 0,5 l.

Dato grezzo originale

Giorni
2010 2011 2012 2013 2014 2015 2016
lavorativi
Gennaio 20 60 63 64 63 69 72 70
Febbraio 19 67 71 77 73 80 79 84
Marzo 22 71 78 80 82 90 91 97
Aprile 21 78 81 88 83 84 89 98
Maggio 22 87 91 95 95 97 102 108
Giugno 21 94 95 95 99 104 108 115
Luglio 22 105 108 116 115 121 124 130
Agosto 19 105 113 112 112 119 117 118
Settembre 21 102 103 108 110 108 122 118
Ottobre 23 101 102 108 108 111 120 118
Novembre 22 62 64 71 71 74 82 75
Dicembre 18 58 68 72 68 68 74 74

15
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
Obiettivo: fare previsioni sulla base dell’andamento passato della produzione
industriale (serie storica).

Le serie temporali vengono considerate come il risultato di varie componenti:

TENDENZIALE:
a carattere
crescente o CICLICA:
SISTEMATICA: decrescente oscillatoria con
dovuta ad azioni ampiezza e
individuabili e periodo variabili
misurabili nel tempo
COMPONENTI OSCILLATORIA

CASUALE: STAGIONALE:
dovuta a forze oscillatoria con
non determinate periodo costante
nel tempo

16
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
La destagionalizzazione si applica a produzioni industriali caratterizzate da stagionalità (con
andamenti ripetuti con periodo annuale).
2010 2011 2012 2013 2014 2015 2016
140

Dato grezzo (bottiglie prodotte)

130
120
110
100
90
80
70
60
50

Mesi

1. Gli indici di produzione industriale di una serie storica vanno resi confrontabili nel tempo.
2. Va estratta la tendenza degli indici sul medio-lungo periodo (trend + ciclo).
3. Gli indici vanno destagionalizzati, ossia va eliminata la componente stagionale che può portare
a previsioni errate.

17
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
Per la destagionalizzazione si sceglie il modello misto: 𝑢𝑡 = indice della produzione storica al mese t
𝑥𝑡 = componente sistematica (tendenziale + ciclica)
MODELLO MISTO 𝑢𝑡 = 𝑥𝑡 ∙ 𝑦𝑡 + 𝑧𝑡 𝑦𝑡 = componente stagionale
𝑧𝑡 = componente casuale

La componente stagionale in generale risulta essere funzione del tempo 𝜏 :

𝑦𝑡 = 𝑦𝑡 (𝜏)

FASE 1: CORREZIONE PRELIMINARE DEGLI INDICI SULLA BASE DEI GIORNI LAVORATIVI

Calcolare i giorni lavorativi per ogni mese:

𝑊𝑡 = 𝐺𝑡 − 𝑔𝑡 .

Calcolare la media dei giorni lavorativi (su un anno): 𝑊𝑡 = giorni lavorativi nel mese t
12 𝐺𝑡 = giorni di calendario nel mese t
1 𝑔𝑡 = giorni non lavorativi nel mese t
𝑊𝑚 = ෍ 𝑊𝑡 . (sabati e domeniche, feste..)
12
1

Correggere gli indici di produzione sulla base della media dei giorni lavorativi:
𝑊𝑚
𝑢𝑡= 𝑢
𝑊𝑡 𝑔𝑡 𝑢 = indice grezzo al mese t
𝑔𝑡

18
 Estrapolazione
ANALISI DELLA SERIE STORICA: DESTAGIONALIZZAZIONE DEGLI
INDICI DELLA PRODUZIONE INDUSTRIALE

ESERCIZIO: produzione di bottiglie in PET da 0,5 l.

Dato grezzo originale

Giorni
2010 2011 2012 2013 2014 2015 2016
lavorativi
Gennaio 20 60 63 64 63 69 72 70
Febbraio 19 67 71 77 73 80 79 84
Marzo 22 71 78 80 82 90 91 97
Aprile 21 78 81 88 83 84 89 98
Maggio 22 87 91 95 95 97 102 108
Giugno 21 94 95 95 99 104 108 115
Luglio 22 105 108 116 115 121 124 130
Agosto 19 105 113 112 112 119 117 118
Settembre 21 102 103 108 110 108 122 118
Ottobre 23 101 102 108 108 111 120 118
Novembre 22 62 64 71 71 74 82 75
Dicembre 18 58 68 72 68 68 74 74

19
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 1: CORREZIONE PRELIMINARE DEGLI INDICI SULLA BASE DEI GIORNI LAVORATIVI

𝑊𝑚 ≅ 21
Dato grezzo (corretto per i giorni lavorativi)
Wm/Wt 2010 2011 2012 2013 2014 2015 2016
Gennaio 1,050 63,0 66,2 67,2 66,2 72,5 75,6 73,5
Febbraio 1,105 74,1 78,5 85,1 80,7 88,4 87,3 92,8
Marzo 0,955 67,8 74,5 76,4 78,3 85,9 86,9 92,6
Aprile 1,000 78,0 81,0 88,0 83,0 84,0 89,0 98,0
Maggio 0,955 83,0 86,9 90,7 90,7 92,6 97,4 103,1
Giugno 1,000 94,0 95,0 95,0 99,0 104,0 108,0 115,0
Luglio 0,955 100,2 103,1 110,7 109,8 115,5 118,4 124,1
Agosto 1,105 116,1 124,9 123,8 123,8 131,5 129,3 130,4
Settembre 1,000 102,0 103,0 108,0 110,0 108,0 122,0 118,0
Ottobre 0,913 92,2 93,1 98,6 98,6 101,3 109,6 107,7
Novembre 0,955 59,2 61,1 67,8 67,8 70,6 78,3 71,6
Dicembre 1,167 67,7 79,3 84,0 79,3 79,3 86,3 86,3

20
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 2: CALCOLO ED ELIMINAZIONE DELLA COMPONENTE SISTEMATICA → 𝑥𝑡

Calcolare il trend degli indici utilizzando il metodo della media mobile su 12 mesi (periodo delle
fluttuazioni stagionali):
𝑡+6
1
𝑢ത 𝑡,𝑡+1 = ෍ 𝑢𝑡 .
12
𝑡−5

Centrare le medie mobili rispetto ai mesi (media mobile secondaria):

𝑡+5 𝑡+6
1 1 1
𝑢ധ 𝑡 = (𝑢ത 𝑡−1,𝑡 + 𝑢ത 𝑡,𝑡+1 ) = ෍ 𝑢𝑡 + ෍ 𝑢𝑡 .
2 2 12
𝑡−6 𝑡−5

con 𝑢ധ 𝑡 = 𝑥𝑡 COMPONENTE SISTEMATICA

𝑢ധ 𝑡 𝑢ത 𝑡,𝑡+1

𝑢ത 𝑡−1,𝑡
21
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale

Dato grezzo (corretto per i giorni lavorativi)

Wm/Wt 2010 2011 2012 2013 2014 2015 2016
Gennaio 1,050 63,0 66,2 67,2 66,2 72,5 75,6 73,5
Febbraio 1,105 74,1 78,5 85,1 80,7 88,4 87,3 92,8
Marzo 0,955 67,8 74,5 76,4 78,3 85,9 86,9 92,6
Aprile 1,000 78,0 81,0 88,0 83,0 84,0 89,0 98,0
Maggio 0,955 83,0 86,9 90,7 90,7 92,6 97,4 103,1
Giugno 1,000 94,0 95,0 95,0 99,0 104,0 108,0 115,0
Luglio 0,955 100,2 103,1 110,7 109,8 115,5 118,4 124,1
Agosto 1,105 116,1 124,9 123,8 123,8 131,5 129,3 130,4
Settembre 1,000 102,0 103,0 108,0 110,0 108,0 122,0 118,0
Ottobre 0,913 92,2 93,1 98,6 98,6 101,3 109,6 107,7
Novembre 0,955 59,2 61,1 67,8 67,8 70,6 78,3 71,6
Dicembre 1,167 67,7 79,3 84,0 79,3 79,3 86,3 86,3

22
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 2: CALCOLO ED ELIMINAZIONE DELLA COMPONENTE SISTEMATICA → 𝑥𝑡

Anni Mesi N° mese ut

Gennaio 1 63,0 - -
Febbraio 2 74,1 - -
Marzo 3 67,8 - -
Aprile 4 78,0 - -
Maggio 5 83,0 - -
Giugno 6 94,0 83,1 -
2010
Luglio 7 100,2 83,4 83,2
Agosto 8 116,1 83,7 83,5
Settembre 9 102,0 84,3 84,0
Ottobre 10 92,2 84,5 84,4
Novembre 11 59,2 84,9 84,7
Dicembre 12 67,7 84,9 84,9
Gennaio 13 66,2 85,2 85,1
Febbraio 14 78,5 85,9 85,5
2011
Marzo 15 … … …
… … … … …

23
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale

FASE 3: ELIMINAZIONE DELLA COMPONENTE CASUALE E CALCOLO DELLA

COMPONENTE STAGIONALE → 𝑦𝑡
Partendo dal modelli misto, la componente stagionale è:
𝑢𝑡 𝑧𝑡
𝑢𝑡 = 𝑥𝑡 ∙ 𝑦𝑡 + 𝑧𝑡 → 𝑦𝑡 = +
𝑥𝑡 𝑥𝑡
L’unica incognita è la componente casuale 𝑧𝑡 .
NOTO 𝑌𝑡

Si assume che la componente casuale su un numero elevato di anni k abbia una distribuzione
normale con valore medio nullo e varianza costante. Ciò si traduce in:

𝑘 𝑘
𝑧𝑖,𝑗
j = 1, …, k anni ෍ 𝑧𝑖,𝑗 ≅ 0 → ෍ ≅ 0.
i= 1, …, 12 mesi 𝑥𝑖,𝑗
𝑗=1 𝑗=1

Facendo la media della componente stagionale su k anni si ha:

𝑘 𝑘 𝑘
1 1 1 𝑧𝑖,𝑗
෍ 𝑦𝑖,𝑗 = ෍ 𝑌𝑖,𝑗 + ෍ 𝑧𝑖,𝑗
𝑘 𝑘 𝑘 𝑥𝑖,𝑗
𝑗=1 𝑗=1 𝑗=1
≅𝟎
Calcolo oneroso
24
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale

SEMPLIFICAZIONI
1. Utilizzo dei rapporti di stagionalità rettificati 𝑌′𝑖,𝑗 :

1
𝑚𝑗 = 12 σ12
𝑖=1 𝑌𝑖,𝑗 ≅ 1 𝑜 100%
1 12 1 𝑌𝑖,𝑗
σ 𝑌′
12 𝑖=1 𝑖,𝑗
= 12 σ12
𝑖=1 𝑚 = 1
𝑗
𝑌𝑖,𝑗
𝑌′𝑖,𝑗 = 𝑚𝑗

25
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 3: ELIMINAZIONE DELLA COMPONENTE CASUALE E CALCOLO DELLA
COMPONENTE STAGIONALE → 𝑦𝑡
Y'i,j (%)
Anni Mesi N° mese ut Yi,j (%) m Yi,j/m (%) (Verifica)
Novembre 11 59,2 84,9 84,7 69,9 -
2010
Dicembre 12 67,7 84,9 84,9 79,7 -
Gennaio 13 66,2 85,2 85,1 77,8 77,6
Febbraio 14 78,5 85,9 85,5 91,7 91,6
Marzo 15 74,5 86,0 86,0 86,6 86,5
Aprile 16 81,0 86,1 86,0 94,1 94,0
Maggio 17 86,9 86,2 86,2 100,8 100,6
Giugno 18 95,0 87,2 86,7 109,5 109,4
2011
Luglio 19 103,1 87,3 87,3 118,2 117,9
Agosto 20 124,9 87,8 87,6 142,6 142,4
Settembre 21 103,0 88,0 87,9 117,1 116,9
Ottobre 22 93,1 88,6 88,3 105,5 105,3
Novembre 23 61,1 88,9 88,7 68,8 68,7
Dicembre 24 79,3 88,9 88,9 89,2 100,2 89,1 100,0
Gennaio 25 67,2 89,5 89,2 75,3 74,7
2012 Febbraio 26 85,1 89,5 89,5 95,1 94,3
Marzo 27 76,4 89,9 89,7 85,2 84,5

26
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale

SEMPLIFICAZIONI

2. Invece di mediare su k anni, si fa una media pesata su 5 anni, dando maggiore

importanza agli anni vicini e minore importanza agli anni lontani. Per ogni mese i si
ottiene:

1
𝑦𝑖,𝑗 = (1 ∙ 𝑌 ′ 𝑖,𝑗−2 + 2 ∙ 𝑌 ′ 𝑖,𝑗−1 + 3 ∙ 𝑌 ′ 𝑖,𝑗 + 2 ∙ 𝑌 ′ 𝑖,𝑗+1 + 1 ∙ 𝑌 ′ 𝑖,𝑗+2 )
1+2+3+2+1

𝑦𝑖,𝑗 è la componente stagionale per il mese i relativa all’anno j.

27
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 3: ELIMINAZIONE DELLA COMPONENTE CASUALE E CALCOLO DELLA
COMPONENTE STAGIONALE → 𝑦𝑡

N° Yi,j Yi,j/m
Anni Mesi ut m (Verifica) y i,j (%)
mese (%) (%)
2012 Dicembre 36 84,0 90,9 90,7 92,6 100,8 91,8 100,0 -
Gennaio 37 66,2 90,8 90,9 72,8 73,5 75,7
Febbraio 38 80,7 90,8 90,8 88,8 89,7 92,0
Marzo 39 78,3 91,0 90,9 86,1 86,9 87,6
Aprile 40 83,0 91,0 91,0 91,2 92,1 92,6
Maggio 41 90,7 91,0 91,0 99,7 100,6 99,6
Giugno 42 99,0 90,6 90,8 109,1 110,1 108,4
2013
Luglio 43 109,8 91,1 90,9 120,8 122,0 120,9
Agosto 44 123,8 91,8 91,4 135,4 136,7 136,7
Settembre 45 110,0 92,4 92,1 119,5 120,6 118,3
Ottobre 46 98,6 92,5 92,4 106,7 107,7 107,4
Novembre 47 67,8 92,6 92,6 73,2 73,9 73,8
Dicembre 48 79,3 93,1 92,8 85,4 99,1 86,3 100,0 86,9

28
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 4: CALCOLO DEGLI INDICI DESTAGIONALIZZATI

𝑢𝑡
Metodo A 𝑢′𝑡 = → TUTTO NOTO
𝑦𝑡

Metodo B → Considera anche la componente casuale

Calcolo della componente casuale 𝑧𝑡 : 𝑢𝑡 = 𝑥𝑡 ∙ 𝑦𝑡 + 𝑧𝑡 (modello misto)

→ 𝑧𝑡 = 𝑢𝑡 − 𝑥𝑡 ∙ 𝑦𝑡

𝑢𝑡 𝑧𝑡
Calcolo degli indici destagionalizzati 𝑢′𝑡 : 𝑢′𝑡 = = 𝑥𝑡 +
𝑦𝑡 𝑦𝑡

≅ 𝒛𝒕

→ 𝑢′𝑡 ≅ 𝑥𝑡 + 𝑧𝑡

29
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale
FASE 4: CALCOLO DEGLI INDICI DESTAGIONALIZZATI

METODO A METODO B
N° Yi,j/m (Verifi y i,j
Anni Mesi ut Yi,j (%) m u't=ut/yt zt=ut-xt yt u't=xt+zt
mese (%) ca) (%)
2012 Dicembre 36 84,0 90,9 90,7 92,6 100,8 91,8 100,0 - - - -
Gennaio 37 66,2 90,8 90,9 72,8 73,5 75,7 87,4 -2,6 88,2
Febbraio 38 80,7 90,8 90,8 88,8 89,7 92,0 87,7 -2,9 87,9
Marzo 39 78,3 91,0 90,9 86,1 86,9 87,6 89,3 -1,4 89,6
Aprile 40 83,0 91,0 91,0 91,2 92,1 92,6 89,6 -1,3 89,7
Maggio 41 90,7 91,0 91,0 99,7 100,6 99,6 91,1 0,1 91,1
Giugno 42 99,0 90,6 90,8 109,1 110,1 108,4 91,3 0,6 91,2
2013
Luglio 43 109,8 91,1 90,9 120,8 122,0 120,9 90,8 -0,1 91,0
Agosto 44 123,8 91,8 91,4 135,4 136,7 136,7 90,6 -1,2 90,6
Settembre 45 110,0 92,4 92,1 119,5 120,6 118,3 93,0 1,1 93,5
Ottobre 46 98,6 92,5 92,4 106,7 107,7 107,4 91,8 -0,7 91,8
Novembre 47 67,8 92,6 92,6 73,2 73,9 73,8 91,8 -0,6 92,1
Dicembre 48 79,3 93,1 92,8 85,4 99,1 86,3 100,0 86,9 91,3 -1,4 91,7

30
 Estrapolazione
Destagionalizzazione degli indici della produzione industriale

31
 AGENDA

Analisi della domanda

• Indagine campionaria
• Correlazione lineare
• Estrapolazione
• Destagionalizzazione degli indici della produzione industriale
• Smorzamento esponenziale
 Estrapolazione
SMORZAMENTO ESPONENZIALE – ESERCIZIO 1

Date le domande effettive dei 12 mesi precedenti di una nuova linea di prodotti, utilizzare il
metodo dello smorzamento esponenziale per formulare la previsione della domanda per il
prossimo mese. Si considerino come valori del coefficiente di smorzamento esponenziale α 0.1,
0.2 e 0.3. Determinare il valore di α più adatto, ossia quello che minimizza l’errore medio
assoluto MAD.

Mese Domanda Dt
mar-16 120
apr-16 131
mag-16 107
giu-16 145
lug-16 141
ago-16 122
set-16 159
ott-16 134
nov-16 98
dic-16 135
gen-17 135
feb-17 119
mar-17 ?
33
 Estrapolazione
Smorzamento esponenziale t-1 t t+1
Obiettivo: fare previsioni della domanda futura.
mesi
 Funziona bene se la domanda varia di poco. Dt
 È adatto per previsioni a breve termine. Pt
Dt: domanda effettivamente riscontrata per il mese t
Pt: previsione per il mese t
n: numero di periodi (mesi) considerati

La previsione al mese 𝑡 è la somma pesata delle domande effettive riscontrate negli n mesi
precedenti, con valori dei pesi che diminuiscono con legge esponenziale, dando maggiore
importanza ai periodi più vicini e minore importanza a quelli più lontani.

𝑃𝑡 = 𝑃𝑡−1 + 𝛼 𝐷𝑡−1 − 𝑃𝑡−1 = 𝛼𝐷𝑡−1 + 1 − 𝛼 𝑃𝑡−1 (0 ≤ 𝛼 ≤ 1)

𝑃𝑡−1 = 𝑃𝑡−2 + 𝛼 𝐷𝑡−2 − 𝑃𝑡−2 = 𝛼𝐷𝑡−2 + (1 − 𝛼)𝑃𝑡−2
→ 𝑃𝑡 = 𝛼𝐷𝑡−1 + 1 − 𝛼 𝑃𝑡−1 = 𝛼𝐷𝑡−1 + 𝛼 1 − 𝛼 𝐷𝑡−2 + (1 − 𝛼)2 𝑃𝑡−2
𝑃𝑡 = 𝛼𝐷𝑡−1 + 𝛼 1 − 𝛼 𝐷𝑡−2 + 𝛼(1 − 𝛼)2 𝐷𝑡−3 + 𝛼(1 − 𝛼)3 𝐷𝑡−4 + ⋯

Il metodo migliore è quello che minimizza l’errore medio assoluto (MAD – Mean Absolute
Deviation), dato da:
σ𝑡−𝑛
𝑡−1 (𝐷𝑡 − 𝑃𝑡 )
𝑀𝐴𝐷 =
𝑛 34
 Estrapolazione
Smorzamento esponenziale

Mese Domanda Dt Pt (α=0,1) err α=0,1 Pt (α=0,2) err α=0,2 Pt (α=0,3) err α=0,3
mar-16 120 - - - - - -
apr-16 131 120 11 120 11 120 11
mag-16 107 121 14 122 15 123 16
giu-16 145 120 25 119 26 118 27
lug-16 141 122 19 124 17 126 15
ago-16 122 124 2 128 6 131 9
set-16 159 124 35 127 32 128 31
ott-16 134 127 7 133 1 137 3
nov-16 98 128 30 133 35 136 38
dic-16 135 125 10 126 9 125 10
gen-17 135 126 9 128 7 128 7
feb-17 119 127 8 129 10 130 11
mar-17 ? 126 127 127
MAD 15,45 15,39 16,20

Valore minimo della MAD

𝜶 = 𝟎, 𝟐
35
 Domanda effettiva

100
110
120
130
140
150
160
170

80
90
gen-16

feb-16

mar-16

apr-16

mag-16
SMORZAMENTO ESPONENZIALE

giu-16

Domanda Dt
giu-16

lug-16

ago-16

Mesi
Smorz esp 0.2
set-16
Estrapolazione

ott-16

nov-16
Previsione 0.2

nov-16

dic-16

gen-17

feb-17

mar-17
36
 Estrapolazione
SMORZAMENTO ESPONENZIALE – ESERCIZIO 2

Date le domande effettive dell’esercizio 1, formulare la previsione della domanda per il prossimo
mese, utilizzando il metodo della media mobile, considerando 3 e 4 periodi, e il metodo della
media pesata, considerando 3 periodi precedenti e come valori dei pesi 50, 30 e 20. Calcolare il
valore di MAD e determinare il criterio migliore per la previsione della domanda, confrontando
tutti quelli utilizzati negli esercizi 1 e 2.

Mese Domanda Dt
mar-16 120
apr-16 131
mag-16 107
giu-16 145
lug-16 141
ago-16 122
set-16 159
ott-16 134
nov-16 98
dic-16 135
gen-17 135
feb-17 119
mar-17 ?
37
 Estrapolazione
SMORZAMENTO ESPONENZIALE

Dt: domanda effettivamente riscontrata per il mese t t-1 t t+1

Pt: previsione per il mese t mesi
n: numero di periodi (mesi) considerati Dt

Pt

MEDIA MOBILE:

σ𝑡−𝑛
𝑡−1 𝐷𝑡
𝑃𝑡 = .
𝑛

MEDIA MOBILE PESATA:

𝑝1 𝐷𝑡−1 + 𝑝2 𝐷𝑡−2 + ⋯ + 𝑝𝑛 𝐷𝑡−𝑛

𝑃𝑡 = 𝑐𝑜𝑛 𝑝1 > 𝑝2 > ⋯ > 𝑝𝑛 .
𝑝1 + 𝑝2 + ⋯ + 𝑝𝑛

38
 Estrapolazione
Smorzamento esponenziale
MEDIA MOBILE:
Media mobile
Mese Domanda Dt 3 mesi err 3 mesi 4 mesi err 4 mesi
mar-16 120 - - - -
apr-16 131 - - - -
mag-16 107 - - - -
giu-16 145 119 26 - -
lug-16 141 128 13 126 15
ago-16 122 131 9 131 9
set-16 159 136 23 129 30
ott-16 134 141 7 142 8
nov-16 98
138 40 139 41
dic-16 135
130 5 128 7
gen-17 135
122 13 132 4
feb-17 119
123 4 126 7
mar-17 ?
130 122
MAD 15.44 13.33

Valore minimo della MAD

𝒑𝒆𝒓𝒊𝒐𝒅𝒐 𝟒 𝒎𝒆𝒔𝒊
39
 Estrapolazione
Smorzamento esponenziale
MEDIA MOBILE PESATA:

Media mobile pesata

Mese Domanda Dt 3 mesi err 3 mesi
mar-16 120 - -
apr-16 131 - -
mag-16 107 - -
giu-16 145 117 28
lug-16 141 131 10
ago-16 122 135 13
set-16 159 132 27
ott-16 134 144 10
nov-16 98 139 41
dic-16 135 121 14
gen-17 135 124 11
feb-17 119 128 9
mar-17 ? 127
MAD 18.20

40
 Estrapolazione
SMORZAMENTO ESPONENZIALE
170
160
Domanda effettiva

150
140
130 𝑷𝒕
120
110
100
90
80
apr-16

mag-16
feb-16

feb-17

mar-17
mar-16

giu-16

giu-16

lug-16

set-16

ott-16

gen-17
ago-16

dic-16
nov-16

nov-16
Mesi
Domanda Dt Smorz esp 0.2 Med Mob 4 mesi Media mobile pesata

METODO PREVISIONE 𝑷𝒕 MAD

Smorzamento esponenziale (𝛼 = 0,2) 127 15.39
Media mobile (su 4 mesi) 122 13.33
Media mobile pesata (su 3 mesi) 127 18.20

41
Impianti Industriali

Prof. Ing. Augusto Bianchini

DIN – Dipartimento di Ingegneria Industriale

Università degli Studi di Bologna