Bài giảng dự báo kinh doanh chương 3 các phương pháp thô, bình quân và san bằng mũ

1
Chương 3
CÁC PHƯƠNG PHÁP THÔ,
BÌNH QUÂN VÀ
SAN BẰNG MŨ
2
Giới thiệu: Nguyên tắc chung của dự báo
Trong đó:
Y
t
: quan sát gần đây nhất của biến
F
t+1
: dự báo trước một thời đoạn
F
t+2
: dự báo trước hai thời đoạn
F
t+1
, F
t+2
, F
t+3
, …Y
t
, Y
t-3
, Y
t-2
, Y
t-1

,
Thời đoạn sẽ được dự báo
Bạn ở đây
tDữ liệu quá khứ
3
Phương pháp thô (Nạve method)
 Ngày mai sẽ không khác ngày hôm nay; do
đó, dự báo cho ngày mai là bất cứ cái gì
chúng ta quan sát được trong ngày hôm nay.
 Phương pháp này là nền tảng cho hầu hết
các phương pháp dự báo theo chuỗi thời
gian.
4
Phương pháp thô
 Dữ liệu chuỗi thời gian dừng (hay tònh)
 F
t+1
= Y
t
 Dữ liệu có tính xu hướng
 F
t+1
= Y
t
+ p(Y
t
-Y
t-1
) (theo Wilson & Keating,
2007, tr. 29)

trong đó: p là tỷ lệ thay đổi giữa hai thời đoạn t – 1
và t mà ta chọn để đưa vào dự báo. Để đơn
giản người ta thường chọn P = 1
 F
t+1
= Y
t
(Y
t
/ Y
t-1
) (theo Hanke & Wichern,
2009, tr. 110)
5
Phương pháp thô (tiếp theo)
 Dữ liệu biến động theo mùa vụ (hoặc có tính
mùa vụ)
 F
t+1
= Y
t+1-s
trong đó: s là chu kỳ biến động
 Dữ liệu có cả tính xu hướng và tính mùa vụ
 F
t+1
= Y
t+1-s
+ [(Y
t
-Y

t-1
) + … + (Y
t+1-s
-Y
t-s
)]/s
= Y
t+1-s
+ [Y
t
-Y
t-s
)]/s
6
Phương pháp thô:
Ví dụ 3.1 – Dữ liệu dừng
Thời Số đơn
kỳ than phiền
160
265
355
458
564
•
•
•
•
•
•
•

•
7
Phương pháp thô:
Ví dụ 3.2 – Dữ liệu có tính mùa
Thời kỳ Mức cầu
110
220
326
417
512
623
730
822
8
Phương pháp thô:
Ví dụ 3.3 – Dữ liệu có tính xu hướng
 Chọn p = 1
53 + (+3) = 56t+1
+353t
50t-1
Giá trò dự báoChênh lệchGiá trò thực tếThời kỳ
9
Bình quaân ñôn giaûn
 Phương pháp bình quân đơn giản
phù hợp khi các nhân tốảnh
hưởng đến đối tượng dự báo có
tính ổn định, và môi trường liên
quan đến chuỗi dữ liệu là không
đổi.
 Phương pháp bình quân đơn giản

sử dụng giá trị trung bình của tất
cả các quan sát quá khứ làm giá
trị dự báo cho giai đoạn tiếp theo.
1
1
k
t
t
t
Y
F
k
=
+
=
∑
10
Phương pháp bình quân di động
F
t+1
=
i=t-k+1
t
Σ
Y
i
k
trong đó:
k = số thời kỳ trong
bình quân di động

(hay khoảng trượt)
Y
i
= mức cầu ở thời
kỳ i
 Tính trung bình cho một số thời
kỳ có dữ liệu
 Kiềm chế, san bằng những biến
động
 Sử dụng khi nhu cầu ổn đònh và
không biểu lộ bất kỳ động thái
nhu cầu rõ rệt nào, chẳng hạn
như xu hướng hoặc mẫu hình
thời vụ
11
Phương pháp bình quân di động
 Gọi là “di động hay dòch chuyển (moving)” bởi vì khi
có một số liệu nhu cầu mới được cập nhật vào chuỗi
dữ liệu thì số liệu cũ nhất bò bỏ đi.
 Khi tăng giá trò k, giá trò dự báo ít phản ánh sự thay
đổi trong nhu cầu,
 Ngược lại, khi giảm giá trò k, giá trò dự báo sẽ phản
ánh đúng với sự thay đổi của nhu cầu hơn. Tuy nhiên,
giá trò k nhỏ sẽ cho kết quả dự báo có sự dao động
lớn hơn giữa các thời đoạn (tính ổn đònh thấp).
12
Ví dụ 3.4: Tính bình quân di động giản đơn
 Công ty A bán và giao văn phòng phẩm cho các công ty,
trường học, và cơ quan trong phạm vi cách kho hàng của nó
100m. Công việc kinh doanh văn phòng phẩm là cạnh tranh

và khả năng giao hàng ngay lập tức là một nhân tố để có
được khách hàng mới và giữ các khách hàng cũ. (Các cơ
quan thường không đặt hàng khi họ gần hết đồ dự trữ, mà
khi họ hoàn toàn hết). Nhà quản trò của công ty muốn chắc
chắn là có đủ tài xế và xe để giao hàng ngay lập tức và họ
có đủ hàng tồn kho trong kho. Do đó, nhà quản trò muốn có
thể dự báo số lượng đơn hàng sẽ xảy ra trong tháng tới
(nghóa là, dự báo nhu cầu giao hàng).
 Từ sổ sách ghi chép các lệnh giao hàng, ban giám đốc có
được số liệu sau đây trong 10 tháng qua, từ đó ban quản trò
muốn tính các bình quân di động 3 và 5 tháng.
13
Ví dụ 3.4: Tính bình quân di động giản đơn
Số Dự báo Dự báo
Tháng đơn hàng 3 tháng 5 tháng
Một 120 - -
Hai 90 - -
Ba 100 - -
Tư 75 103,3 -
Năm 110 88,3 -
Sáu 50 95,0 99,0
Bảy 75 78,3 85,0
Tám 130 78,3 82,0
Chín 110 85,0 88,0
Mười 90 105,0 95,0
Mười một - 110,0 91,0
=
∑
++
== =

10
8
11
90 110 130
110
33
i
i
Y
F
=
∑
=
++++
=
=
10
6
11
5
90 110 130 75 50
91
5
i
i
Y
F
14
Tác động san bằng
Các giá trò bình quân di động với khoảng trượt dài hơn

phản ứng chậm hơn
Dự báo
15
Bình quân di động có trọng số
 Điều chỉnh phương
pháp bình quân di
động để phản ánh
sát hơn những biến
động bất thường
trong dữ liệu.
trong đó:
w
i
= trọng số cho thời kỳ i,
giữa 0 và 100%
Σ w
i
= 1,00
F
t+1
=
i = t-k+1
Σ w
i
Y
i
t
16
Bình quân di động có trọng số
 Đây là một biến thể của phương pháp trung bình

dòch chuyển giản đơn, nhưng ở đây, khi tính toán
giá trò trung bình, trọng số khác nhau được gán
cho các thời điểm khác nhau.
 Tổng các trọng số phải bằng 1,0 và trọng số lớn
nhất được gán cho các dữ liệu gần nhất, trọng số
sẽ giảm dần cho các dữ liệu xa hơn.
 Điều này cho phép dữ liệu gần hơn sẽ tác động lớn
hơn đến giá trò trung bình dòch chuyển (dự báo)
17
Ví dụ 3.4: Tính bình quân di động có trọng số
Mức dự báo cho tháng mười một:
6
3
2
1hay
100%Tổng
50%Tháng vừa qua
33%2 tháng trước
17%3 tháng trước
Trọng số áp dụngGiai đoạn
=
=
∑
=×+×+×
=
10
11
8
(0,50 90) (0,33 110) (0,17 130)
103,4

i
i
i
F
w
A
18
Bình quân di động hai lần
 Tính giá trò trung bình của các giá trò trung bình để
ước tính xu hướng trong dữ liệu
 Các kỹ thuật trước đây đánh giá thấp hay đánh giá
quá cao xu hướng
 Kỹ thuật này hữu ích đối với dữ liệu không dừng
 giá trò trung bình của dữ liệu thay đổi theo thời gian
19
Bình quân di động hai lần
 a
t
: mức độcơ sởkỳvọngởthời đoạnt.
 b
t
: xu hướng kỳ vọng ở thời đoạn t.
 k: số thời đoạn trong bình quân di động
 m: số thời đoạn dự báo trước
11
'
11
'
'
()/

()/
2
2( ) /( 1)
ttt tk
ttt tk
ttt
ttt
tm t t
MYY Y k
M
MM M k
aMM
bMMk
Fabm
−−+
−−+
+
=
+++
=+ ++
=−
=− −
=+
"
"
20
Ví dụ 3.5: Dự báo theo bình quân di động kép
cho Movie Video Store
(1)
Thời gian

t
(2)
Doanh số
hàng tuần. Y
t
(3) Bình quân
di động
tuần, M
t
(4) Bình quân
di động
kép, M
t
′
(5)
Giá trò
của a
(6)
Giá trò
của b
(7)
Dự báo
a + bm (m = 1)
(8)
e
t
1654
−−−−−−
2658
−−−−−−

3665659
−−−−−
4672665
−−−−−
5 673 670 665 675 5
−−
6 671 672 669 675 3 680 -9
7 693 679 674 684 5 678 15
8 694 686 679 693 7 689 5
9 701 696 687 705 9 700 1
10 703 699 694 704 5 714 -11
11 702 702 699 705 3 709 -7
12 710 705 702 708 3 708 2
13 712 708 705 711 3 711 1
14 711 711 708 714 3 714 -3
15 728 717 712 722 5 717 11
16
−−−−− −
MSE = 63,7
21
San bằng mũ giản đơn
 Phương pháp tính trung
bình
 Chọn trọng số lớn hơn
cho dữ liệu gần đây nhất
 Phản ứng nhiều hơn đối
với những biến động gần
đây
 Phương pháp chính xác,
được sử dụng rộng rãi

F
t+1
= αY
t
+ (1 - α)F
t
trong đó,
F
t+1
= mức dự báo cho thời kỳ
kế tiếp
Y
t
= mức yêu cầu thực cho
thời kỳ hiện tại
F
t
= mức dự báo đã được xác
đònh trước cho thời kỳ
hiện tại
α = nhân tố làm quyền số,
hằng số san bằng
22
San bằng mũ giản đơn:
Phân phối của trọng số
0
0,1
0,2
0,3
012345

Thời kỳ quan sát (Thời kỳ trong quá khứ)
Trọng số
3,0
=
α
21,0)1(
=
−
α
α
147,0)1(
2
=−
αα
103,0)1(
3
=−
αα
072,0)1(
4
=−
αα
050,0)1(
5
=−
αα
Liên hệgiữa vàL
(hằng số san bằng mũ) : 0,05 0,1 0,2 0,3 0,4 0,5 0,67
L (số thời kỳ trong bình quân di động) : 39 19 9 5,7 4 3 2
α

α
23
Hiệu quả của hằng số san bằng
 0,0 ≤ α ≤1,0
 Nếu α = 0, thì F
t+1
= 0 Y
t
+ 1 F
t
= F
t
Mức dự báo không phản ánh dữ liệu gần đây
 Nếu α = 1, thì F
t+1
= 1 Y
t
+ 0 F
t
= Y
t
Mức dự báo chỉ dựa vào dữ liệu gần đây nhất
 Nếu α = 0,20, thì F
t+1
= 0,20 Y
t
+ 0,80 F
t
24
Ví dụ 3.5: Dự báo theo san bằng mũ giản đơn

 Dòch vụ máy tính PM lắp ráp máy tính cá nhân theo yêu cầu của
khách hàng từ các bộ phận cùng loại. Do hai sinh viên Đại học
Quốc gia, A và B thành lập và điều hành, công ty đã phát triển
vững chắc từ khi bắt đầu. Công ty lắp ráp máy tính thường là vào
ban đêm, sử dụng những sinh viên làm việc bán thời gian. A và B
mua các bộ phận máy tính cùng loại với số lượng lớn để được
hưởng chiết khấu từ nhiều nguồn mỗi khi họ thấy vụ giao dòch có
lợi. Do đó, họ cần một dự báo nhu cầu tin cậy được cho các máy
tính của họ để họ biết cần mua lưu kho bao nhiêu bộ phận cấu
thành máy tính.
 Công ty đã thu thập dữ liệu nhu cầu cho máy tính của mình trong
12 tháng qua, từ đó công ty muốn xem xét các dự báo san bằng
mũ sử dụng các hằng số san bằng (α) bằng 0,30 và 0,50.
25
Ví dụ 3.5: Dự báo theo san bằng mũ giản đơn
Thời kỳ Tháng Mức Mức dự báo Mức dự báo
yêu cầu (α =0,3) (α =0,5)
1 Một 37 - -
2 Hai 40 37,00 37,00
3 Ba 41 37,90 38,50
4 Tư 37 38,83 39,75
5 Năm 45 38,28 38,37
6 Sáu 50 40,29 41,68
7 Bảy 43 43,20 45,84
8 Tám 47 43,14 44,42
9 Chín 56 44,30 45,71
10 Mười 52 47,81 50,85
11 Mười một 55 49,06 51,42
12 Mười hai 54 50,84 53,21
13 Một - 51,79 53,61

F
2
= αY
1
+ (1 - α)F
1
= (0,30)(37) + (0,70)(37)
= 37
F
3
= αY
2
+ (1 - α)F
2
= (0,30)(40) + (0,70)(37)
= 37,9
F
13
= αY
12
+ (1 - α)F
12
= (0,30)(54) + (0,70)(50,84)
= 51,79