- 1. 第五章预测决策法 本章概要:
1. 预测的重要性
2. 讨论不同的预测方法
3. 时间序列
4. 计算预测的误差
5. 因果分析预测
6. 线性回归方法
7. 趋势外推法
8. 平均法、移动平均法、指数平滑法预测
9. 预测有季节性和特定趋势的时间序列
- 2. 预测与决策预测资源目标经理决策执行情况实施
- 3. 预测方法分类判断预测法定性方法预测定量方法趋势外推法因果分析法历史数据参数值其它因素预测方法初步预测最终预测主要观点、信
息、讨论等
- 4. 判断预测法 精确性
短期 中期 长期
个人见解 差 差 差 低
座 谈 会 轻差 轻差 差 低
市场调查 很好 好 可以 高
历史推断 差 稍好 稍好 中
德尔菲法 较好 较好 较好 稍高方法成本
- 5. 时间序列与预测误差值值值值值值时间时间时间时间时间时间(f)阶梯序列(e)脉冲序列(d)季节趋势序列©季节性序列(b)趋势序列(a)常数序列常见的时间序列图
- 6. 时间序列与预测误差误差均值= =
误差绝对均值= =
误差平方均值= =
t—时间,D(t)—时间t的需求,F(t)—时间t的预测值
E(t)=D(t)―F(t) 误差ΣE(t)
nΣ D(t)―F(t)
nΣ D(t)―F(t)
nΣ E(t)
nΣ E(t)
nΣ D(t)―F(t)
n22
- 7. 时间序列与预测误差实例 1:
下面时间序列的预测误差是多少?
t 1 2 3 4 5 6 7 8
D(t) 122 135 142 156 156 161 169 177
F(t) 112 120 131 144 157 168 176 180
因果分析预测,原因及其关系(预测值与其有关因素)
- 8. 时间序列与预测误差
- 9. 时间序列与预测误差
- 10. 线性回归法Y(i)=a+bX(i)+E(i)
minE(i)2 求a、b最小= 法)
Y(X) = a+bX
b =
a = =nΣX·Y-(ΣX) ·(ΣY)
nΣX2+(ΣX)2ΣY
nΣX
nbY bX
- 11. 线性回归法案例一:
海尔福特化工公司正在考虑改变产品检验的方法。他们做了一些不同检验次数的实验,得到了相应的残次品数目数据。
检验次数 0 1 2 3 4 5 6 7 8 9 10
残次品数目 92 86 81 72 67 59 53 43 32 24 12
如果海尔福特打算检验6次,产品中还会有多少残次品?如果检验20次呢?
- 12. 确定性系数与相关系数(SSE,Sum of squared errors)
总SSE =Σ Y(i)-Y 2
解释SSE =Σ Y’(i)Y 2
r2 = 确定性系数 =
=
r = 相关系数 = 确定性系数
解释的SSE
总的SSEnΣ(X·Y)-ΣX·ΣY
nΣX2-(ΣX)2 · nΣY2-(ΣY)2+
-YX解释的总的均值(Y)回归线(Y’)未解释的总的、解释的和未解释的偏离之间的关系
- 13. 确定性系数与相关系数(SSE,Sum of squared errors)XXXXXXYYYYYY(a)r=+1(b)r接近于+1(c)r逐渐变小(d)r=0(e)r接近于-1(f)r=-1
- 14. 确定性系数与相关系数(SSE,Sum of squared errors)实例2:
在过去的10个月中,一家钢铁厂的某部门用电量与钢产量有关,具体数据如下:
产量(百吨)151314106811131412
用电(百度)10599102835267799710093
(a) 画出散点图,观察电力消耗与产量之间的关系。
(b) 计算确定性系数和相关系数。
(c) 求出上述数据的最优拟合线,a和b的值各代表什么意义?
(d) 如果一个月要生产2000吨钢,该厂将需要多少电量?产量(百吨)用电
(百瓦)2 4 6 8 10 12 14100
80
60
40
20
- 15. 确定性系数与相关系数(SSE,Sum of squared errors)
- 16. 确定性系数与相关系数(SSE,Sum of squared errors)
- 17. 趋势外推预测法简单平均数:F(t+1) = ΣD(t)
移动平均数:F(t+1) = Σ D(t-k) N
指数平滑法:F(t+1) = αD(t)+(1-α)F(t)
实例3:下表所示的是某产品上一年度的月需求情况,采用移动平均
法,分别按N=3,N=6和N=9逐期做出预测。
月份 1 2 3 4 5 6 7 8 9 10 11 12
需求 16 14 12 15 18 21 23 24 25 26 37 38n
t=1N-1
k=0
- 18. 趋势外推预测法
- 19. 趋势外推预测法
- 20. 趋势外推预测法实例4:
下面的时间序列在第3个月时,需求有一个明显的跳跃式上升。假定初始预测值为500,取α为不同的值,比较按照指数平滑预测的结果。
月 1 2 3 4 5 6 7 8 9 10 11
实际值 480 500 1500 1450 1550 1500 1480 1520 1500 1490 1500
- 21. 趋势外推预测法
- 22. 趋势外推预测法
- 23. 季节性和趋势性模型 季节性指数 =
F(t+1) = U(t)+T(t) ×I(n)
U(t) 基本值(根据季节与趋势调整)
T(t) 趋势值
I(n) 季节指数
实例5:一组12期的需求数据显示出两期为一个季节。对这种数据的预测需要一些初始值,用前8期的数据得出:
循环中第1期的季节指数=1.2 循环中第2期的季节指数=0.8
基本需求U(8)=100 趋势T(8)=10
按平滑系数0.15预测会得到合理的结果。试用以下的数据及以上参数值,预测今后4期的需要。
期次 9 10 11 12
循环中的期次 1 2 1 2
需求 130 96 160 110季节性值
非季节性值
- 24. 季节性和趋势性模型
- 25. 季节性和趋势性模型