L’IMPORTANZA DELLA PREVISIONE

A LIVELLO AZIENDALE

Le condizioni economiche e del mercato cambiano

continuamente nel corso del tempo. Gli operatori devono
essere in grado di valutare e prevedere gli effetti di tali
cambiamenti sulla salute dell’azienda e quindi indirizzare
l’attività di pianificazione e controllo.

Le tecniche di previsione si basano sull’uso di dati

storici, dai quali l’analista cerca di comprendere la
struttura sottostante del fenomeno.
Cos’è una Serie Storica?

Una serie storica è un insieme di dati numerici

registrati ad intervalli regolari di tempo.

Assunzione di base: i fattori che hanno influenzato

l’andamento della serie nel passato e nel presente
continuano ad esercitare effetti analoghi anche nel futuro.

Primo obiettivo dell’analisi delle serie storiche è

individuare e isolare tali fattori ovvero decomporre la serie
storica in una serie di componenti facilmente
interpretabili.
PRINCIPALI COMPONENTI DI UNA SERIE STORICA
• Trend (Tt): tendenza di lungo termine all’incremento o
al decremento dei valori della serie.

• Stagionalità (St): scostamenti regolari intorno al trend

con cadenza fissa inferiore ad un anno.

• Ciclica (Ct): spiega gli scostamenti verso l’alto o verso il

basso dei dati rispetto al trend di natura più o meno
regolare, non stagionale, legati solitamente all’andamento
generale dell’economia.

• Irregolare o casuale (Et): legata a disturbi di natura

accidentale che determina oscillazioni di breve periodo.
 MODELLI DI COMPOSIZIONE

• Modello additivo:
Yt = Tt + Ct + St + Et

• Modello moltiplicativo:
Yt = Tt x Ct x St x Et
Ovvero

Log( Yt )= Log(Tt) + Log(Ct) + Log(St) + Log(Et)

• Modello misto (con errore additivo):

Yt = Tt x Ct x St + Et
 MODELLI DI COMPOSIZIONE
• Modello additivo: le fluttuazioni della serie non
variano con il suo livello
 MODELLI DI COMPOSIZIONE
• Modello moltiplicativo: le fluttuazioni della serie
variano proporzionalmente con il suo livello
Analisi grafica

• La rappresentazione grafica dei valori della serie

permette di trarre le prime considerazioni di carattere
qualitativo sulla serie.

• Osservando un grafico è possibile individuare il modello

di composizione della serie, intuire se i valori della serie
manifestano un trend di lungo periodo oppure oscillano
intorno a un’immaginaria linea orizzontale parallela
all’asse dei tempi, se esiste una stagionalità, ecc.
Esempio di una serie a componenti additive
Esempio di una serie a componenti moltiplicative
 SERIE STORICA

Analisi quantitativa Previsione

Individuazione del modello e Previsioni di breve o lungo

delle componenti periodo sull’andamento futuro
della serie
Stima delle singole componenti
 Stima del trend (Tt)
Esaminando il grafico è difficile stabilire se i valori della serie
seguano un trend di lungo periodo, poiché le forti oscillazioni
di breve periodo complicano l’impressione d’insieme.

• Tecniche di livellamento: favoriscono una corretta

visione delle tendenze di lungo periodo
Medie mobili
Livellamento esponenziale
Tecniche altamente soggettive, in quanto dipendono dalla
lunghezza del periodo ovvero dal peso scelto per la costruzione
delle medie

• Stima della funzione analitica f(t)

Metodo dei minimi quadrati
 Medie Mobili
Una media mobile di periodo L consiste in una serie di medie
aritmetiche calcolate su una sequenze L valori osservati.
Indichiamo con 𝑀𝑀𝑡 𝐿 una media mobile centrata di periodo
dispari L.

Supponiamo ad esempio di voler calcolare una media mobile centrata con un

periodo L =5 anni su una serie di 11 anni.
Le medie mobili centrate sono calcolate su sequenze consecutive di 5
osservazioni:
𝑦1 + 𝑦2 +𝑦3 +𝑦4 + 𝑦5
𝑀𝑀3 5 =
5

𝑦2 +𝑦3 +𝑦4 + 𝑦5 + 𝑦6
𝑀𝑀4 (5) =
5
…
𝑦7 + 𝑦8 +𝑦9 +𝑦10 + 𝑦11
𝑀𝑀9 (5) =
5
 Stima del trend (Tt)
La stima del trend T(t) mediante medie mobili centrate di
ordine L è definita nel seguente modo:
𝑦𝑡−(𝐿−1)/2 + … + 𝑦𝑡+(𝐿−1)/2
෠
𝑇𝑡 = 𝑀𝑀𝑡 𝐿 = t=(L-1)/2,…,n-[(L-1)/2]
𝐿

• Una media mobile centrata di lunghezza L sufficientemente

elevata, individua un trend lineare.

• Un valore troppo elevato di L tenderà a distorcere i risultati

individuando artificiosamente un trend lineare.

• In assenza di altre informazioni, si preferiscono medie

mobili di basso ordine, ad esempio a 3 o a 5 termini.
 Medie Mobili
t MM(3) MM(5) MM(7)
1 266,0 - - -
2 145,9 198,3 - -
3 183,1 149,4 178,9 -
4 119,3 160,9 129,0 185,0
5 180,3 105,4 146,2 179,1
6 168,5 193,5 184,9 185,8
7 231,8 157,6 169,2 177,2
8 224,5 216,4 157,7 208,2
9 192,8 180,1 221,7 209,0
10 122,9 217,4 212,5 212,7
11 336,5 215,1 206,5 200,9
12 185,9 238,9 197,8 198,9
…. …. …. …. ….
MM2(3)=(266,0+145,9+183,1)/3=198,3
MM3(5)=(266,0+145,9+183,1+119,3+180,3)/5=178,9
MM4(7)=(266,0+145,9+183,1+119,3+180,3+168,5+213,8)/7=163,3
 Medie Mobili
serie dati osservati MM(3) MM(5) MM(7)
450

400

350

300

250

200

150

100
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

La lunghezza L scelta per la media mobile influenza il risultato

della perequazione. All’aumentare del numero di termini, la
spezzata che unisce i punti perequati si fa sempre più
smussata.
 Medie Mobili

• Le medie mobili sono filtri lineari che causano perdite

di informazioni in corrispondenza dei primi e degli
ultimi (L-1)/2 termini della serie per i quali non è
possibile calcolare alcun valore stimato del trend.

• La perdita dei primi termini è poco importante, mentre

quella dei termini più recenti ha conseguenze rilevanti
ai fini previsivi.
 Livellamento esponenziale
• Tecnica utilizzata per smussare una serie storica di dati al
fine di individuare la tendenza di lungo periodo.

• Consiste nell’applicazione alla serie dei dati una media

mobile ponderata esponenzialmente:
𝑇෠𝑡 = 𝑤𝑦𝑡 + 1 − 𝑤 𝑇෠𝑡−1 t= 2, …, n
dove 0< w <1 è il peso o fattore di smorzamento
assegnato soggettivamente.

• Con valori bassi di w infatti vengono meglio evidenziate

le tendenze di lungo periodo della serie, mentre valori
elevati consentono più precisi previsioni di breve
periodo.
 Livellamento esponenziale
t 𝑦𝑡 w=0,1 w=0,3 w=0,5
1 266 266 266 266
2 145,9 254,0 230,0 206,0
3 183,1 246,9 215,9 194,5
4 119,3 234,1 186,9 156,9
5 180,3 228,8 184,9 168,6
6 168,5 222,7 180,0 168,6
7 231,8 223,6 195,5 200,2
8 224,5 223,7 204,2 212,3
9 192,8 220,6 200,8 202,6
10 122,9 210,9 177,4 162,7
11 336,5 223,4 225,2 249,6
12 185,9 219,7 213,4 217,8
…. …. …. …. ….
T2(w=0,1)=145,9*0,1+266,0*(1-0,1)=254,0
T3(w=0,1)=183,1*0,1+254,0*(1-0,1)=246,9
T3(w=0,3)=183,1*0,3+230,0*(1-0,3)=215,9
 Livellamento esponenziale
serie dati osservati w=0,1 w=0,3 w=0,5
450

400

350

300

250

200

150

100
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Se lo scopo è unicamente quello di smussare la serie eliminando le

variazioni cicliche e irregolari, conviene adottare un valore basso
(prossimo a zero) di w; se invece si vuole anche effettuare una previsione
di breve periodo, si rivela più conveniente la scelta di valori elevati
(prossimi a uno) di w.
 Livellamento esponenziale

Ciascun valore della serie smussata dipende da tutti i valori

osservati precedenti:

𝑇෠𝑡 = 𝑤𝑦𝑡 + 𝑤(1 − 𝑤)𝑦𝑡−1 +𝑤(1 − 𝑤)2 𝑦𝑡−2 + ⋯ +𝑤(1 − 𝑤)𝑛−1 𝑦1

I pesi assegnati a ciascun valore osservato in precedenza non

sono costanti, ma decrescono passando dai più recenti a quelli
più lontani nel tempo.
 Metodo dei minimi quadrati
Prima di effettuare l’analisi vera e propria della serie storica,
farsi un’idea generale dell’andamento della serie con l’ausilio
di rappresentazioni grafiche.

• Trend lineare
𝑇෠𝑡 = 𝑏0 + 𝑏1 𝑡

• Trend quadratico
𝑇෠𝑡 = 𝑏0 + 𝑏1 𝑡 + 𝑏2 𝑡 2

• Trend esponenziale
𝑇෠𝑡 = 𝑏0 𝑒 𝑏1 𝑡 -> 𝑙𝑜𝑔𝑇෠𝑡 = 𝑙𝑜𝑔𝑏0 + 𝑡𝑏1 = 𝛽0 + 𝑏1 𝑡
con 𝛽0 = 𝑙𝑜𝑔𝑏0
Trend esponenziale in 𝑦𝑡 -> Trend lineare in 𝑙𝑜𝑔𝑦𝑡
 Metodo dei minimi quadrati

Si stimano i coefficienti 𝑏0 e 𝑏1 in modo che

σ𝑛𝑡=1(𝑦𝑡 − 𝑇෠𝑡 )2 =minimo

La variabile indipendente è il tempo, con la convenzione di

far partire l’asse delle ascisse (l’asse dei tempi) dal primo
periodo per il quale sono disponibili i dati e quindi di
considerare il primo anno o il primo trimestre o il primo
mese come il periodo zero (X = 0).

Se ad esempio stiamo lavorando con una serie di 24 anni, al primo

verrà assegnato il valore 0, al secondo il valore 1 e così via fino al
ventiquattresimo anno a cui sarà assegnato il valore 23.
 Metodo dei minimi quadrati
Le stime dei minimi quadrati possiedono un’importante
proprietà, nota come decomposizione della varianza totale:
Dev Tot = Dev Regr + Dev(Res)

dalla quale si può definire un indice che misura la bontà di

adattamento della retta di regressione:
Dev(Regr)
𝑅 =
2
Dev(Tot)
con 0 ≤ R2 ≤ 1.

Un primo criterio per scegliere il grado del polinomio

(lineare o quadratico) è confrontare i rispettivi 𝑅2∗ corretti:
Dev(Res)/(n−p)
𝑅2∗ = 1−
Dev(Tot)/(n−1)
con p= 2 trend lineare, p= 3 trend quadratico.
Scelta del trend attraverso lo strumento delle differenze
prime, seconde e percentuali

Quando le osservazioni sono interpolate perfettamente da un trend

lineare, le differenze prime fra i valori della serie sono costanti:
𝒚𝟐 − 𝒚𝟏 = 𝒚𝟑 − 𝒚𝟐 = ⋯ = 𝒚𝒏 − 𝒚𝒏−𝟏

Quando le osservazioni sono interpolate perfettamente da un trend

quadratico, le differenze seconde fra i valori della serie sono costanti:
𝒚𝟑 − 𝒚𝟐 − 𝒚𝟐 − 𝒚𝟏 = [ 𝒚𝟒 − 𝒚𝟑 − 𝒚𝟑 − 𝒚𝟐 ] = ⋯ =
= [ 𝒚𝒏 − 𝒚𝒏−𝟏 − 𝒚𝒏−𝟏 − 𝒚𝒏−𝟐 ]

Quando le osservazioni sono interpolate perfettamente da un trend

esponenziale, le differenze percentuali fra i valori della serie sono
costanti:
𝒚𝟐 − 𝒚𝟏 𝒚𝟑 − 𝒚𝟐 𝒚𝒏 − 𝒚𝒏−𝟏
∗ 𝟏𝟎𝟎 = ∗ 𝟏𝟎𝟎 = ⋯ = ∗ 𝟏𝟎𝟎
𝒚𝟏 𝒚𝟐 𝒚𝒏−𝟏
Scelta del trend attraverso lo strumento delle
differenze prime, seconde e percentuali
Differenze Differenze Differenze
𝑦𝑡
prime seconde percentuali
1988 62,0 - - -
1989 63,0 1,0 - 1,6
1990 65,5 2,5 1,5 4,0
1991 69,5 4,0 1,5 6,1
1992 75,0 5,5 1,5 7,9
1993 82,3 7,3 1,8 9,7
1994 91,2 8,9 1,6 10,8
1995 101,5 10,3 1,4 11,3
1996 113,0 11,5 1,2 11,3
1997 126,2 13,2 1,7 11,7
1998 140,8 14,6 1,4 11,6
Le differenze seconde mostrano un andamento più erratico,
pertanto il trend quadratico può fornire una adeguata
interpolazione della serie.
 Stima del trend
Stimiamo il trend quadratico con il metodo dei minimi
quadrati. Si ha:
𝑇෠𝑡 = 61,9 + 0,28𝑡 + 0,8𝑡 2 (𝑅2 ≌ 1,0)

𝑦𝑡 𝑇෠𝑡
160
1988 62,0 61,9 140
1989 63,0 62,98 120
1990 65,5 65,66 100
1991 69,5 69,94 80
1992 75,0 75,82 60
40
1993 82,3 83,30
20
1994 91,2 92,38 0
1995 101,5 103,06
1990

1992
1988
1989

1991

1993
1994
1995
1996

1998
1997
1996 113,0 115,34
1997 126,2 129,22
1998 140,8 144,70
Stima della componente stagionale (St)
Valutare l’andamento della serie in punti differenti
dall’anno, considerando la componente della serie come
fenomeno puramente infrannuale.

Eliminazione della componente stagionale (St)

Studiare le altre componenti al netto dell’effetto della
stagionalità eliminando la componente stagionale
(destagionalizzazione).

Assunzioni:
1) la componente stagionale è una componente ciclica di
periodo d (con d=12 per le serie mensili, d=4 per le
serie trimestrali, ecc.)
2) σ𝑑𝑘=1 𝑠𝑘 =0
Stima della componente stagionale (St)
1) Si determina inizialmente una prima stima del trend al netto
della componente stagionale calcolando le medie mobili
centrate di lunghezza L=d+1
𝑦𝑗−(𝐿−1)/2 +..+𝑦𝑡+(𝐿−1)/2
𝑀𝑀𝑗 𝐿 = j=(L-1)/2,…,n-(L-1)/2
𝐿
La media mobile avrà anche l’effetto di attenuare le componenti a frequenza
più alta (componente residua).
Quando d è pari dovrebbe essere utilizzata una media mobile non
centrata affinché la stima della componente stagionale non venga
viziata dal fatto che il primo e l’ultimo termine nella media si
riferiscano allo stesso dato annuale.
Sarebbe più opportuno calcolare le medie mobili non centrate di
periodo d. Tali medie non sono riferite a nessun dato grezzo poiché
cadono tra il termine d/2 e il termine (d+1)/2 di ogni gruppo di d
periodi. Una seconda media mobile deve essere calcolata tra questi due
termini non centrati consecutivi, il che equivale a calcolare una media
mobile centrata a d+1 termini ponderata, in cui si assegna peso 1 al
primo e ultimo termine della media e peso 2 a gli altri termini centrali.
 Stima della componente stagionale (St)
2) Si calcolano le differenze tra i valori della serie 𝑦𝑗 e la media
mobile 𝑀𝑀𝑗 𝐿 :
[𝑦𝑗 − 𝑀𝑀𝑗 (𝐿)] j=(L-1)/2,…,n-(L-1)/2

3) Si elimina la componente residua determinando la media

aritmetica di tali differenze per il periodo k =1, ..., d:
𝑤𝑘 = 𝑎𝑣𝑒𝑟𝑎𝑔𝑒{𝑦𝑘+𝑙𝑑 − 𝑀𝑀𝑘+𝑙𝑑 , 0 ≤ 𝑙 < 𝑖𝑛𝑡(𝑞) -1} k=1, …, d
dove q=n/d è il numero di anni all’interno della serie di
lunghezza n.
4) Le quantità 𝑤𝑘 (indici di stagionalità) non possono
essere assunte come stima della componente stagionale
perché non rispettano il vincolo di somma a zero.
Allora si calcolano le deviazioni stagionali:
σ𝑑
𝑗=1 𝑤𝑗
𝑠Ƹ𝑘 = 𝑤𝑘 − k=1, …, d
𝑑
Questa stima si riferisce ad un ciclo stagionale completo,
ma si prolunga per continuità all’intero periodo di
osservazione ponendo 𝑠Ƹ𝑘 = 𝑠Ƹ𝑘+𝑙𝑑 .

Eliminazione della componente stagionale (St)

La serie storica destagionalizzata è definita come:
𝑑መ 𝑡𝑘 = 𝑦𝑡 − 𝑠Ƹ𝑘 t=0, …, n-1 k=1, …, d
 MM MM ෡ 𝒕𝒌
𝒚𝒕 (yt-MM) 𝒘𝒌 𝒘𝒌-𝒘𝒌 𝒔ො 𝒌 ෡ 𝒕𝒌
𝒅 𝒚𝒕 (yt-MM) 𝒘𝒌 𝒘𝒌-𝒘𝒌 𝒔ො 𝒌 𝒅
L=13 L=13
gen 01 49 2,8 46,2 … … … … … … … …
feb 01 41 2,7 38,3 gen 03 44 43,1 0,9 2,8 41,2
mar 01 41 3,8 37,2 feb 03 44 41,7 2,3 2,7 41,3
apr 01 42 3,6 38,4 mar 03 45 43,7 1,3 3,8 41,2
mag 01 44 2,5 41,5 apr 03 51 43,7 7,3 3,6 47,4
giu 01 38 1,1 36,9 mag 03 45 44,1 0,9 2,5 42,5
lug 01 39 40,4 -1,4 -2,7 -2,8 -2,8 41,8 giu 03 49 44,4 4,6 1,1 47,9
lug 03 41 44,8 -3,8 -2,8 43,8
ago 01 21 39,8 -18,8 -20,5 -20,6 -20,6 41,6
ago 03 21 45,2 -24,2 -20,6 41,6
set 01 40 40,0 0,0 2,7 2,6 2,6 37,4 set 03 49 46,0 3,0 2,6 46,4
ott 01 45 40,3 4,7 2,7 2,6 2,6 42,4 ott 03 47 46,2 0,8 2,6 44,4
nov 01 41 40,2 0,8 2,3 2,2 2,2 38,8
nov 03 50 46,5 3,5 2,2 47,8
dic 01 38 40,0 -2,0 -0,2 -0,3 -0,3 38,3
dic 03 49 46,5 2,5 -0,3 49,3
gen 02 46 40,1 5,9 2,9 2,8 2,8 43,2 gen 04 48 46,0 2,0 2,8 45,2
feb 02 41 38,8 2,2 2,8 2,7 2,7 38,3 feb 04 49 45,1 3,9 2,7 46,3
mar 02 44 40,8 3,2 3,9 3,8 3,8 40,2 mar 04 54 46,8 7,2 3,8 50,2
apr 02 45 41,2 3,8 3,7 3,6 3,6 41,4 apr 04 47 46,9 0,1 3,6 43,4
mag 02 40 41,2 -1,2 2,6 2,5 2,5 37,5 mag 04 55 46,9 8,1 2,5 52,5
giu 02 42 41,3 0,7 1,2 1,1 1,1 40,9 giu 04 45 46,6 -1,6 1,1 43,9
lug 02 39 41,8 -2,8 -2,8 41,8 lug 04 43 -2,8 45,8
ago 02 23 41,6 -18,6 -20,6 43,6 ago 04 29 -20,6 49,6
set 02 47 41,9 5,1 2,6 44,4 set 04 44 2,6 41,4
ott 02 45 42,5 2,5 2,6 42,4 ott 04 50 2,6 47,4
nov 02 45 42,5 2,5 2,2 42,8 nov 04 47 2,2 44,8
dic 02 42 43,2 -1,2 -0,3 42,3 dic 04 46 -0,3 46,3
…. …. …. …. …. …. …. …. Somma 1,4
Media 0,1
 Destagionalizzazione
serie dati osservati MM
MMd=13
L = 13 dest
60.0
55.0
50.0
45.0
40.0
35.0
30.0
25.0
20.0

mag 03

mag 04
set 02
nov 02

mar 03

nov 03

mar 04

nov 04
nov 01
gen 02
mar 02
gen 01
mar 01
mag 01

mag 02
lug 02

gen 03

lug 03

lug 04
lug 01
set 01

set 03

set 04
gen 04
L’andamento dei dati destagionalizzati attenua le oscillazioni
della serie storica osservata
 -15.00
-10.00
-5.00
0.00

-20.00
5.00

-25.00
gen 01
mar 01
mag 01
lug 01
set 01
nov 01
gen 02
mar 02
mag 02
lug 02
set 02
nov 02
gen 03
mar 03
mag 03
lug 03
set 03
nov 03
gen 04
Stima della componente stagionale (St)

mar 04
mag 04
lug 04
set 04
nov 04
Stima della componente ciclica (Ct)
Molti autori parlano di trend-ciclo come unica
componente, date le difficoltà teoriche che spesso si
incontrano nel separarle. Supponendo di voler
individuare la componente ciclo, allora:
1) Si stima il trend Tt e la eventuale stagionalità St;
allora la serie Yt - Tt - St sarà una stima di Ct + Et
2) Si elimina la componente residua Et con una media
mobile di breve periodo sulla serie Ct + Et
Eliminazione della componente ciclica
Occorre determinare la durata media dei cicli all’interno
della serie e sulla base di tale dato si procede al calcolo
delle medie mobili.
N.B.: Tecnica altamente soggettiva perché dipende dalla
lunghezza del periodo scelto per la costruzione delle medie.
Stima della componente casuale (Et)
Irregolare o casuale (Et): legata a disturbi di natura
accidentale che determina oscillazioni di breve periodo.

Generalmente si stima per differenza una volta individuate

le altre componenti.
• Modello additivo:
Et = Yt -Tt - Ct - St

• Modello moltiplicativo:
Et = Yt /(Tt x Ct x St)
ovvero
Log( Et )= Log(Yt) - Log(Tt) - Log(Ct) - Log(St)

• Modello misto (con errore additivo):

Et = Yt – (Tt x Ct x St)
 PREVISIONE SERIE STORICA
Determinazione del trend su dati destagionalizzati

1) Si calcolano le medie mobili centrate di lunghezza L=d+1

2) Si calcola il trend 𝑇෠𝑡 = 𝑏0 + 𝑏1 𝑡 con il metodo dei minimi

quadrati, sulle medie mobili

3) Si calcolano la deviazioni stagionali

σ𝑑
𝑗=1 𝑤𝑖
𝑠Ƹ𝑘 = 𝑤𝑘 − k=1, …, d
𝑑

La forma analitica della serie sarà

𝑦ො𝑡𝑘 = 𝑏0 + 𝑏1 𝑡 + 𝑠Ƹ𝑘 t=0, …, n-1 k=1, …, d
 MM MM ෡t ෡t+𝒔ො 𝒌
𝒚𝒕 𝒔ො 𝒌 ෡t
𝑻 ෡t+𝒔ො 𝒌
ෝt=𝑻
𝒚 𝒚𝒕 𝒔ො 𝒌 𝑻 ෝt=𝑻
𝒚
L=13 L=13
0 gen 01 49 2,8 37,8 40,6 … … … … … …
1 feb 01 41 2,7 38,0 40,7 24 gen 03 44 43,1 2,8 43,2 46,0
2 mar 01 41 3,8 38,3 42,0 25 feb 03 44 41,7 2,7 43,4 46,1
3 apr 01 42 3,6 38,5 42,1 26 mar 03 45 43,7 3,8 43,7 47,4
4 mag 01 44 2,5 38,7 41,2 27 apr 03 51 43,7 3,6 43,9 47,5
5 giu 01 38 1,1 38,9 40,0 28 mag 03 45 44,1 2,5 44,1 46,6
6 lug 01 39 40,4 -2,8 39,2 36,4 29 giu 03 49 44,4 1,1 44,3 45,5
ago 01 21 30 lug 03 41 44,8 -2,8 44,6 41,8
7 39,8 -20,7 39,4 18,7
31 ago 03 21 45,2 -20,7 44,8 24,1
8 set 01 40 40,0 2,6 39,6 42,2
32 set 03 49 46,0 2,6 45,0 47,6
9 ott 01 45 40,3 2,6 39,8 42,4
33 ott 03 47 46,2 2,6 45,2 47,8
10 nov 01 41 40,2 2,2 40,1 42,2
34 nov 03 50 46,5 2,2 45,5 47,7
11 dic 01 38 40,0 -0,3 40,3 40,0
35 dic 03 49 46,5 -0,3 45,7 45,4
12 gen 02 46 40,1 2,8 40,5 43,3
36 gen 04 48 46,0 2,8 45,9 48,8
13 feb 02 41 38,8 2,7 40,7 43,4
37 feb 04 49 45,1 2,7 46,1 48,8
14 mar 02 44 40,8 3,8 41,0 44,7 38 mar 04 54 46,8 3,8 46,4 50,1
15 apr 02 45 41,2 3,6 41,2 44,8 39 apr 04 47 46,9 3,6 46,6 50,2
16 mag 02 40 41,2 2,5 41,4 43,9 40 mag 04 55 46,9 2,5 46,8 49,3
17 giu 02 42 41,3 1,1 41,6 42,7 41 giu 04 45 46,6 1,1 47,1 48,2
18 lug 02 39 41,8 -2,8 41,9 39,1 42 lug 04 43 -2,8 47,3 44,5
19 ago 02 23 41,6 -20,7 42,1 21,4 43 ago 04 29 -20,7 47,5 26,8
20 set 02 47 41,9 2,6 42,3 44,9 44 set 04 44 2,6 47,7 50,3
21 ott 02 45 42,5 2,6 42,5 45,1 45 ott 04 50 2,6 48,0 50,5
22 nov 02 45 42,5 2,2 42,8 45,0 46 nov 04 47 2,2 48,2 50,4
23 dic 02 42 43,2 -0,3 43,0 42,7 47 dic 04 46 -0,3 48,4 48,1
…. … … … … …
 39

35
37
41
43
45
47
49
51
gen 01
mar 01
mag 01
lug 01
set 01
nov 01
gen 02
mar 02
Stima del trend 𝑇t

mag 02
MM

lug 02
set 02
MM d=13
L = 13

nov 02
gen 03
mar 03
Tt

mag 03
lug 03
set 03
nov 03
gen 04
mar 04
mag 04
lug 04
෠ rispetto alle medie mobili

set 04
nov 04
 30.0
35.0

25.0
20.0
60.0

40.0
45.0
50.0
55.0
gen 01
mar 01
mag 01
lug 01
set 01
Tt

nov 01
gen 02
mar 02
mag 02
Serie storica stimata

lug 02
set 02
nov 02
gen 03
serie dati osservati

mar 03
mag 03
lug 03
set 03
nov 03
gen 04
serie stimata

mar 04
mag 04
lug 04
set 04
nov 04
 PREVISIONE SERIE STORICA
• Modello stimato:
𝑦ො𝑡𝑘 = 37,8 + 0,23 𝑡 + 𝑠Ƹ𝑘 t=0, …, n-1 k=1, …, d

con 𝑠Ƹ𝑘 :

k 𝑠Ƹ𝑘 … … …
1 Gennaio 2,8 7 Luglio -2,8
2 Febbraio 2,7 8 Agosto -20,7
3 Marzo 3,8 9 Settembre 2,6
4 Aprile 3,6 10 Ottobre 2,6
5 Maggio 2,5 11 Novembre 2,2
6 Giugno 1,1 12 Dicembre -0,3

• Allora la previsione per il mese di Maggio del 2005 (52.esimo

mese dal primo dato disponibile della serie stimata), è:
𝑦ො𝑡𝑘 = 37,8 + 0,23(52) + 2,5 = 52,26
 PREVISIONE SERIE STORICA
Metodo livellamento esponenziale
(previsioni di breve periodo)
La previsione al tempo t+1 modifica la previsione
precedente 𝑇෠𝑡
𝑇෠𝑡+1 = 𝑤𝑦𝑡 + 1 − 𝑤 𝑇෠𝑡

La previsione tiene conto dell’errore di

previsione (𝑦𝑡 −𝑇෠𝑡 ) commesso nel prevedere 𝑦𝑡
ponderato secondo il valore del parametro di
smussamento w, infatti:

𝑇෠𝑡+1 = 𝑤𝑦𝑡 + 𝑇෠𝑡 − 𝑤𝑇෠𝑡 = 𝑇෠𝑡 +𝑤(𝑦𝑡 − 𝑇෠𝑡 )