Résumé de la leçon
Loading

Module 2: Introduction aux méthodes de prévision

Notes d'étude
Study Reminders
Support
Text Version

Résumé de la leçon

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Modèles de séries chronologiques: Suppose informations nécessaires pour générer une prévision est contenue dans une série chronologique de données Suppose l'avenir suivra mêmes schémas que le prévisionniste passé recherche des modèles de données sous forme de données = modèle historique + variation aléatoire modèle historique d'être prévus: Niveau ( moyenne de long terme) - données fluctue autour d'une tendance moyenne constante - de données présente une augmentation ou la diminution modèle saisonnier - tout motif qui se répète et est d'un cycle de longueur constante régulièrement - motifs créés par les fluctuations économiques variation aléatoire ne peut pas être prédit moyen simple: La moyenne de toutes les données disponibles - bon pour les modèles de niveau moyenne mobile: La valeur moyenne sur une période de temps définie (par exemple: les quatre dernières semaines) Chaque nouvelle prévision tombe le point de données le plus ancien et ajoute une nouvelle observation plus sensible à une tendance, mais encore est à la traîne des données réelles moyenne mobile pondérée: Tous les poids doivent ajouter à 100% ou 1,00 par exemple Ct 0,5, Ct-1 .3, Ct-2 .2 (poids ajouter à 1.0) permet de faire ressortir une période sur les autres; ci-dessus indique plus de poids sur des données récentes (Ct = 0,5) diffère de la moyenne mobile simple qui pèse toutes les périodes aussi - plus sensibles aux tendances de lissage exponentiel: plus fréquemment utilisé méthode des séries de temps en raison de la facilité d'utilisation et la quantité minimale de données nécessaires Need seulement trois morceaux de données pour commencer: les prévisions du dernier exercice (Ft) dernières périodes valeur réelle (A) Sélectionnez valeur du coefficient de lissage, entre 0 et 1.0 Si aucune dernière prévision de la période est disponible, en moyenne au cours des dernières périodes

Notification
You have received a new notification
Click here to view them all