Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Öngörü Tekni ğ inin Seçimi-I 14.04.2015Pazarlıo ğ lu Öngörü neden gereklidir? Öngörüyü kim kullanacak? Eldeki verilerin özellikleri nedir? Öngörülecek.

Benzer bir sunumlar


... konulu sunumlar: "Öngörü Tekni ğ inin Seçimi-I 14.04.2015Pazarlıo ğ lu Öngörü neden gereklidir? Öngörüyü kim kullanacak? Eldeki verilerin özellikleri nedir? Öngörülecek."— Sunum transkripti:

1 Öngörü Tekni ğ inin Seçimi-I 14.04.2015Pazarlıo ğ lu Öngörü neden gereklidir? Öngörüyü kim kullanacak? Eldeki verilerin özellikleri nedir? Öngörülecek dönem nedir? Öngörüde için en az ne kadar veri gereklidir? Ne kadar do ğ ruluk arzulanmaktadır? Öngörü maliyeti ne kadardır?

2 Öngörü Tekni ğ inin Seçimi-II 14.04.2015Pazarlıo ğ lu Öngörü probleminin do ğ ası tanımlanmalıdır. Araştırmada kullanılacak verilerin yapısı açıklanmalıdır. Kullanılacak öngörü tekniklerinin kapasite ve sınırları tanımlanmalıdır. Seçilen kararın uygulanabilmesi için bazı ön kriterler geliştirilmelidir.

3 Dura ğ an Veriler için Öngörü Teknikleri 14.04.2015Pazarlıo ğ lu Basit(naive) yöntemleri, Basit Ortalamalar yöntemi, Hareketli ortalamalar,, Basit üstel düzeltme, Otoregressive hareketli ortalama (ARMA) modelleri

4 Dura ğ an Öngörü Tekniklerinin Kullanılması-I 14.04.2015Pazarlıo ğ lu Zaman serisini üreten süreç kararlı ise yani serinin oluştu ğ u ortam nispeten de ğ işmiyorsa, Mevcut verilerin yetersiz oldu ğ u durumlarda ya da tanımlama veya uygulama kolaylı ğ ı için basit model kullanma durumunda,

5 Dura ğ an Öngörü Tekniklerinin Kullanılması-II 14.04.2015Pazarlıo ğ lu Nüfus artışı ya da enflasyon gibi etmenlerin dikkate alınmasıyla yapılan düzeltmelerle elde edilen kararlılık durumunda, Seri dönüşüm işlemleri ile kararlı hale geliyorsa, Seri öngörü tekni ğ inden elde edilen öngörü hata dizisiyse.

6 Basit (Naive)Yöntemler-1 14.04.2015Pazarlıo ğ lu Yetersiz sayıda gözlem durumunda öngörü için kullanılan bir yöntemdir. Bu yöntemin dayandı ğ ı varsayım, serinin son dönemde aldı ğ ı de ğ erlerin gelece ğ in en iyi öngörüsü oldu ğ una dayanır.

7 Basit (Naive)Yöntemler-2 14.04.2015Pazarlıo ğ lu Basit öngörüde di ğ er gözlemler gözardı edildi ğ i için öngörü hızla yapılmakta ve de ğ işmektedir. Ancak bu bazı sorunlarıda peşi sıra getirmektedir. Tesadüfi dalgalanmaların etkisi öngörüye bir bütün olarak yansımaktadır.

8 Basit (Naive)Yöntemler-3 14.04.2015Pazarlıo ğ lu Yelki El Aletleri şiketinin testere 2002-2008 yıllarına ait testere(adet) satışları YıllartestereYıllartestere 2002-15002005-3250 2002-23502005-4550 2002-32502006-1550 2002-44002006-2400 2003-14502006-3350 2003-23502006-4600 2003-32002007-1750 2003-43002007-2500 2004-13502007-3400 2004-22002007-4650 2004-31502008-1850 2004-44002008-2600 2005-15502008-3450 2005-23502008-4700

9 Basit (Naive)Yöntemler-4 14.04.2015Pazarlıo ğ lu

10 Basit (Naive)Yöntemler-5 14.04.2015Pazarlıo ğ lu 2001-2007 dönemini öngörü için kullanalım. 2008 yılı de ğ erlerini ise öngörünün do ğ rulu ğ unu denetlemek için ayıralım. Bu durumda öngörü için kullanılacak 24 adet gözlem vardır.

11 Basit (Naive)Yöntemler-6 14.04.2015Pazarlıo ğ lu Veriler : E ğ ilime sahiptirler, Mevsimsel hareket göstermektedirler. Bu durumda yapılacak iş öngörü modelinde düzeltmeye gitmektir.

12 Basit (Naive)Yöntemler-7 14.04.2015Pazarlıo ğ lu Veriler, zamana göre artma e ğ ilimindedirler. Bu nedenle de e ğ ilime serinin dura ğ an olmadı ğ ını söyleyebiliriz. Böylece öngörü için en yakın de ğ eri kullandı ğ ımızda, cari de ğ erlerden çok farklı de ğ erler elde etmekteyiz. E ğ ilimi dikkate alarak öngörü modelini şu şekilde yeniden düzenleyebiliriz. Bu eşitlik çeyrekler arasında oluşan de ğ işim miktarını dikkate almaktadır.

13 Basit (Naive)Yöntemler-8 14.04.2015Pazarlıo ğ lu Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim: Bu modele ait öngörü hatası ise:

14 Basit (Naive)Yöntemler-9 14.04.2015Pazarlıo ğ lu Bazen mutlak de ğ işim miktarından ziyade de ğ işim oranı daha iyi öngörü de ğ eri elde etmek için uygun Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim:

15 Basit (Naive)Yöntemler-10 14.04.2015Pazarlıo ğ lu Bu modele ait öngörü hatası ise: Verilerde mevsimsel dalgalanma mevcuttur, İ lk ve dördüncü çeyrekler di ğ erlerine nazaran daha büyüktür, Bu şekilde mevsimsel dalgalanmaların kuvvetli oldu ğ u aşa ğ ıdaki model daha uygun olabilir: Öngörüsü yapılacak çeyrek için bir yıl önceki aynı çeyrek dikkate alınmaktadır. :

16 Basit (Naive)Yöntemler-11 14.04.2015Pazarlıo ğ lu Bu modele ait öngörü hatası ise: Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim:

17 Basit (Naive)Yöntemler-12 14.04.2015Pazarlıo ğ lu Burada Y t-3 mevsimsel dalgalamayı ifade etmekte iken, kalan ifade ise geçmiş son dört çeyrekteki de ğ işim miktarı ortalamasını göstermektedir: Bu yaklaşımın zayıf noktası ise dikkate alınan çeyrekten sonraki çeyrekleri ve e ğ ilimi gözardı etmektedir. Bunları dikkate almak için aşa ğ ıdaki düzeltme işlemlerini yapabiliriz:

18 Basit (Naive)Yöntemler-13 14.04.2015Pazarlıo ğ lu Bu modele göre 2008 yılının ilk çeyre ğ inin öngörü de ğ erini elde edelim: Bu modele ait öngörü hatası ise:

19 Ortalamalara Dayanan Öngörü Yöntemleri 14.04.2015Pazarlıo ğ lu Karar vericiler sayıları yüzleri ve hatta binleri bulan kalemler için öngörüde bulunmak sorunu ile karşı karşıyadırlar. Bu durumda oldukça hızlı, çok maliyet gerektirmeyen, nispeten basit öngörü araçlarına ihtiyaçları vardır. Bu sorunun üstesinden gelmek için karar vericiler ortalama ya da düzeltme tekniklerine dayanan yöntemleri kullanmaktadırlar.

20 Basit Ortalamalar-1 14.04.2015Pazarlıo ğ lu Zaman serisi verileri çeşitli şekillerde düzgünleştirilebilir. Amaç gelecek dönemleri öngörecek modeli geliştirmek için geçmiş verileri kullanmaktır. Basit ortalama gelecek dönemi öngörü için bütün geçmiş verilerin ortalamasını kullanır. t+1 dönemi için basit ortalama modeli :

21 Basit Ortalamalar-2 14.04.2015Pazarlıo ğ lu Basit ortalamalar yöntemi, öngörüsü yapılacak seriyi üreten güç kararlı oldu ğ unda uygun bir tekniktir. t+2 dönemi için öngörü:

22 Basit Ortalamalar-3 14.04.2015Pazarlıo ğ lu Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldı ğ ı yakıt miktarına ilişkin veriler HaftaYakıtHaftaYakıtHaftaYakıt 12751130221310 22911228722299 33071329023285 42811431124250 52951527725260 62681624526245 72521728227271 82791827728282 92641929829302 102882030330285

23 Basit Ortalamalar-4 14.04.2015Pazarlıo ğ lu

24 Basit Ortalamalar-5 14.04.2015Pazarlıo ğ lu Şekil incelendi ğ inde serinin kararlı oldu ğ u görünmektedir. Yani dura ğ an bir seri oldu ğ u için basit ortalamalar yöntemi uygulanabilir. Öngörü uygulamasında ilk 28 haftalık veri seti kullanılıp, 29 ve 30 hafta verileri öngörünün gücünü sınamak için ayrılmıştır.

25 Basit Ortalamalar-6 14.04.2015Pazarlıo ğ lu 28+2 dönemi için öngörü:

26 Basit Ortalamalar-7 14.04.2015Pazarlıo ğ lu 31. dönem için öngörü:

27 Hareketli Ortalamalar-1 14.04.2015Pazarlıo ğ lu k.dereceden hareketli ortalama, k ardışık de ğ erin ortalamasıdır: k sayıdaki veri noktası seçilir ve bunların ortalaması hesaplanır. En eski veri noktası ortalama hesabından çıkartılır, bunun yerine yeni bir veri noktası ortalama hesabına dahil edilir ve yeniden ortalama hesaplanır. Bu işlem tüm veriler için uygulanır.

28 Hareketli Ortalamalar-2 14.04.2015Pazarlıo ğ lu Burada her gözleme eşit a ğ ırlık atanır. Her bir ortalamada yer alan veri noktası sayısı sabittir. Hareketli ortalama modeli ile e ğ ilim ya da mevsimsellik tam anlamıyla kontrol altına alınamaz.

29 Hareketli Ortalamalar-3 14.04.2015Pazarlıo ğ lu Bir nakliye şirketinin filosundaki araçlar için 30 hafta boyunca satın aldı ğ ı yakıt miktarı örne ğ i için hareketli ortalamaları elde edelim: 29.Gözlem için öngörü hatası:

30 Hareketli Ortalamalar-4 14.04.2015Pazarlıo ğ lu HaftaYakıt 1275 2291 3307 4281 5295 6268 7252 8279 9264 10288 11302 12287 13290 14311 15277 16245 17282 18277 19298 20303 21310 22299 23285 24250 25260 26245 27271 28282 29302 30285 Y-tah * * * * * 289.8 288.4 280.6 275 271.6 270.2 277 284 286.2 295.6 293.4 282 281 278.4 275.8 281 294 297.4 299 289.4 280.8 267.8 262.2 261.6 272 e * * * * * -21.8 -36.4 -1.6 -11 16.4 31.8 10 6 24.8 -18.6 -48.4 0 -4 19.6 27.2 29 5 -12.4 -49 -29.4 -35.8 3.2 19.8 40.4 13

31 Hareketli Ortalamalar-5 14.04.2015Pazarlıo ğ lu 31.Gözlem için öngörü:

32 Basit Ortalamalar-6 14.04.2015Pazarlıo ğ lu

33 Çift Hareketli Ortalamalar-1 14.04.2015Pazarlıo ğ lu Öngörüsü yapılacak zaman serinin e ğ ilime sahip olması durumunda uygulanır. Veri setine iki defa ardışık hareketli ortalamalar uygulanır. İ lk önce aşa ğ ıdaki M t hareketli ortalamalar seti hesaplanır: M t serisine bir daha hareketli ortalamalar uygulanarak M t serisi elde edilir:

34 Çift Hareketli Ortalamalar-2 14.04.2015Pazarlıo ğ lu İ lk ve ikinci harketli ortalamalar arasındaki fark ilk hareketli ortalamaya eklenerek öngörü geliştirilir: E ğ im katsayısına benzer bir düzeltme faktörü hesaplanır: Son olarak, p.dönemin öngörüsü için aşa ğ ıdaki eşitlik tahmin edilir:

35 Çift Hareketli Ortalamalar-3 14.04.2015Pazarlıo ğ lu haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16

36 Çift Hareketli Ortalamalar-4 14.04.2015Pazarlıo ğ lu : haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16 HO3=M t 659 665 670 672 679 686 696 699 702 705 708 711 717 etet 13 8 1 21 15 7 3 8 7 3 17

37 Çift Hareketli Ortalamalar-5 14.04.2015Pazarlıo ğ lu

38 Çift Hareketli Ortalamalar-6 14.04.2015Pazarlıo ğ lu : haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16 HO3=M t 659 665 670 672 679 686 696 699 702 705 708 711 717 MtMt 664.7 669.0 673.7 679.0 687.0 693.8 699.1 702.1 705.0 708.0 712.0

39 Çift Hareketli Ortalamalar-7 14.04.2015Pazarlıo ğ lu

40 Çift Hareketli Ortalamalar-8 14.04.2015Pazarlıo ğ lu : haftaKira 1654 2658 3665 4672 5673 6671 7693 8694 9701 10703 11702 12710 13712 14711 15728 16 HO3=M t 659 665 670 672 679 686 696 699 702 705 708 711 717 MtMt 664.7 669.0 673.7 679.0 687.0 693.8 699.1 702.1 705.0 708.0 712.0 a=2M t -M t 675.3 675.0 684.3 693.0 705.0 704.9 707.9 711.0 714.0 722.0 b=(2/k-1)(M t -M t ) 5.3 3.0 5.3 7.0 9.0 5.6 2.9 3.0 5.0 a+bp 680.7 678.0 689.7 700.0 714.0 710.4 707.8 710.8 714.0 717.0 727.0 e -9.7 15.0 4.3 1.0 -11.0 -8.4 2.2 1.2 -3.0 11.0

41 Çift Hareketli Ortalamalar-9 14.04.2015Pazarlıo ğ lu

42 Üstel Düzeltme Yöntemi-1 14.04.2015Pazarlıo ğ lu Üstel düzeltme, en son tecrübenin ışı ğ ında öngörüyü sürekli olarak düzelten bir yöntemdir:

43 Üstel Düzeltme Yöntemi-2 14.04.2015Pazarlıo ğ lu Yelki El Aletleri şiketinin testere 2002-2008 yıllarına ait testere(adet) satışları YıllartestereYıllartestere 2002-15002005-3250 2002-23502005-4550 2002-32502006-1550 2002-44002006-2400 2003-14502006-3350 2003-23502006-4600 2003-32002007-1750 2003-43002007-2500 2004-13502007-3400 2004-22002007-4650 2004-31502008-1850 2004-44002008-2600 2005-15502008-3450 2005-23502008-4700

44 Üstel Düzeltme Yöntemi-3 14.04.2015Pazarlıo ğ lu Yıllartestere 2002-1500 2002-2350 2002-3250 2002-4400 2003-1450 2003-2350 2003-3200 2003-4300 2004-1350 2004-2200 2004-3150 2004-4400 2005-1550 2005-2350 2005-3250 2005-4550 2006-1550 2006-2400 2006-3350 2006-4600 2007-1750 2007-2500 2007-3400 2007-4650 2008-1850 2008-2600 2008-3450 2008-4700 Y-tah(a=0.1) 500.0 485.0 461.5 455.4 454.8 444.3 419.9 407.9 402.1 381.9 358.7 362.8 381.6 378.4 365.6 384.0 400.6 400.5 395.5 415.9 449.3 454.4 449.0 469.1 et 0.0 -150.0 -235.0 -61.5 -5.4 -104.8 -244.3 -119.9 -57.9 -202.1 -231.9 41.3 187.2 -31.6 -128.4 184.4 166.0 -0.6 -50.5 204.5 334.1 50.7 -54.4 201.0 Y-tah  =0.6) 500.0 410.0 314.0 365.6 416.2 376.5 270.6 288.2 325.3 250.1 190.0 316.0 456.4 392.6 307.0 452.8 511.1 444.4 387.8 515.1 656.0 562.4 465.0 576.0 et 0.0 -150.0 -160.0 86.0 84.4 -66.2 -176.5 29.4 61.8 -125.3 -100.1 210.0 234.0 -106.4 -142.6 243.0 97.2 -111.1 -94.4 212.2 234.9 -156.0 -162.4 185.0


"Öngörü Tekni ğ inin Seçimi-I 14.04.2015Pazarlıo ğ lu Öngörü neden gereklidir? Öngörüyü kim kullanacak? Eldeki verilerin özellikleri nedir? Öngörülecek." indir ppt

Benzer bir sunumlar


Google Reklamları