You are on page 1of 17

PREVIZIUNEA VÂNZĂRII MĂRFURILOR

Preocuparea constantǎ a factorilor de conducere a oricărei firme cu activitate de producţie pentru
studiul vânzărilor potenţiale ale produselor fabricate derivǎ din unul din obiectivele fundamentale ale
activităţii economice, maximizarea profiturilor. Este evident cǎ unul dintre cei mai importanţi factori ai
mărimii profitului este volumul vânzărilor (alături de preţul de vânzare unitar, structura costurilor de
producţie, etc.).

METODE SI TEHNICI DE PREVIZIUNE
Analiza seriilor dinamice (cronologice)
O secvenţă de date de observaţie, în mod obişnuit ordonată în timp, este denumită serie de
timp, sau serie dinamică. Datele se referă la valori discrete măsurate la intervale egale de timp.
Metodologia care se ocupă cu analiza unor astfel de date se numeşte analiza seriilor de timp sau
analiza seriilor dinamice. Caracteristica esenţială a acestui tip de analiză (care o diferenţiază de
alte analize statistice) este recunoaşterea implicită a importanţei ordinii de apariţie a înregistrărilor.
Reprezentarea grafică a unei serii de timp evidenţiază cele mai importante caracteristici ale
datelor acesteia:
prezenţa/absenţa tendinţei,
caracterul sezonier,
existenţa unor discontinuităţi, etc.

In funcţie de posibilitatea agentului decizional/cercetătorului de a acţiona asupra factorilor din
mediul intern şi extern organizaţiei şi de a le influenţa evoluţia se pot identifica:
- factori interni – asupra cărora o organizaţie poate acţiona prin intermediul deciziilor sale:
gestiunea propriilor resurse, etc.
- factori externi – care nu pot fi controlaţi prin acţiune conştientă: evoluţia contextului internaţional
(evoluţia preţurilor materiilor prime de bază sau a energiei), creşterea veniturilor populaţiei şi
comportamentul investiţional, cadrul macroeconomic general (dinamica principalilor indicatori
macroeconomici) etc.

1.  Ideea de bază . analogii istorice . metode de decompoziţie.Încercarea de a lua în considerare aceşti factori (controlabili sau nu) conduce la utilizarea unor metode diferite de previziune: . mai degrabă decât pe date. Considerând că procesul este descris de funcţia f :    de clasă C2 (care este continuă şi derivabilă pe mulţimea numerele reale  ). Box-Jenkins ..econometrice – în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce descriu în formă matematică diferite legităţi economice şi pentru rezolvarea cărora este necesar un set de date iniţiale.de judecată .) ○ exemple: mediile mobile. . deosebirea dintre extrapolarea analitică şi cea fenomenologică constă în modul diferit de identificare al clasei de funcţii care descrie tendinţa de variaţie a fenomenului investigat.se poate folosi cu succes numai pentru procesele economice ce evoluează fără discontinuităţi majore. Acest tip de extrapolare este utilizat cu precădere în cazul în care seriilor de date disponibile sunt relativ scurte.se bazează pe estimări subiective. metoda Delphi.viteza de evoluţie (de variaţie).. Metode de extrapolare . .oferă numai o imagine orientativă asupra perspectivei de evoluţie dacă se recunoaşte faptul că viitorul nu reproduce fidel stările şi evoluţiile din trecut. cu aceeaşi intensitate a dinamicii.Yt  2 . . . funcţie care ar urma să fie determinată cu aproximaţie prin metode matematice. x2. Extrapolarea analitică:  utilizează drept bază informaţională iniţială un şir de date. atunci indicatorii de caracterizare a fenomenului sunt: .. extrapolarea fenomenologică utilizează drept bază informaţională iniţială nu un şir de date (seriile de date disponibile sunt relativ scurte).cauzale – pentru care este posibilă identificarea unor relaţii funcţionale de tipul Y=f(x1. pentru ca rezultatele să fie cât mai plauzibile se recomandă operarea pe orizonturi de prognoză cât mai scurte. volumul producţiei industriale sau ratei inflaţiei) depinde de nivelul anterior (în ipoteza păstrării unui comportament inerţial al fenomenului): Yt  f ( Yt 1 .bazate pe serii de timp – în cazul în care evoluţia curentă a unui indicator (de ex.coeficientul de elasticitate a vitezei de variaţie în raport cu momentul t. … xn).ritmul de creştere. . ci ipoteze legate de structura fenomenului investigat. ajustare. se porneşte de la emiterea unor ipoteze asupra indicatorilor ce caracterizează fenomenul sau procesul. . …. ○ exemple: analiza de regresie multiplă. Limite: .coeficientul de elasticitate a funcţiei în raport cu t. x2. . Formal. Extrapolarea fenomenologică Spre deosebire de extrapolarea analitică. xn) unde Y variabila dependentă este exprimată în funcţie de nivelul factorilor explicative/independenţi (x1. . pot fi aplicate cu rezultate bune numai dacă procesul la care se referă prezintă un caracter de repetabilitate.  Seria poate fi extrapolată pe baza unei funcţii matematice a evoluţiei indicatorului în timp.sugerează dezvoltarea inerţială (prelungirea în viitor) a unor elemente ale proceselor şi fenomenelor economice.considerarea seriei de date ca o succesiune de valori măsurată ale unei funcţii dependente de timp y=f(t).. analiza corelaţiei . ○ exemple: părerea experţilor.riscul şi incertitudinea impun considerarea în prelucrarea rezultatelor extrapolării cu metode adiţionale. sunt folosite pentru prognoze pe termen lung (mai ales când intervin factori externi) sau atunci când nu există date istorice sau acestea sunt limitate.

.nivelul indicatorului real la momentul t. t=1. ► Dacă seria de timp este una puternic oscilantă şi conţine o substanţială variabilitate aleatoare înseamnă că. Calculul erorilor de prognoză se realizează cu ajutorul indicatorilor: e(t) = x(t) . t=1. ajustarea/nivelarea exponenţială.f(t)  Eroarea cumulată de prognoză CFE (Cumulative Forecast Error) =  e(t).. O altă metodă constă în identificarea unor legi de variaţie ale fenomenului urmărit şi în descrierea evoluţiei pe baza acestei legi. Mai folosite sunt curbele liniare cu plafonare. x(t): valoarea reala a indicatorului la momentul t.  Media abaterilor absolute MAD (Mean Absolute Deviation) =  e(t) / n .. noile valori sunt calculate prin metode adecvate cu scopul de a pune în evidenţă componentele considerate esenţiale ale seriei de date: trendul. Metoda nivelării exponenţiale (Brown) În cazul seriilor de date cu caracter staţionar pentru care nu se înregistrează trend şi variaţii ciclice sau sezoniere se poate utiliza modelul lui Brown de nivelare exponenţială în jurul mediei. cu variabilitate aleatoare redusă. pentru ca previziunea să fie cât mai apropiată de realitate este necesar a fi folosită o pondere mică α. t  1.) * Ft unde: Ft+1. Constanta α determină modul în care observaţiile trecute sunt netezite pentru obţinerea predicţiei. constantele α mai mari sunt preferate (au avantajul că în cazul producerii unor erori de previziune însemnate pot ajusta fără întârziere previziunea. α este probabilitatea de a face o eroare de prognoză (constantă de nivelare). O primă metodă constă în utilizarea experienţei empirice sau a unor rezultate deja obţinute în domeniul în care se efectuează cercetare. 0    1.. neregulate  sunt aplicabile în previziunile pe termen scurt. F(t): valoarea ajustată la momentul t.. 2. Yt . sezoniere.1]..n .. de exemplu) şi se va alege valoarea  pentru care: n S e t 1 t 2  min .T. conferind astfel acesteia o capacitate de reacţie rapidă la schimbările de condiţii). generându-se valori în intervalul [0. unde n reprezintă numărul observaţiilor reale ale indicatorului previzionat. respectiv t. ia valori în [0..Ft) sau Ft+1=  * Yt + (1 . Alegerea lui  influenţează acurateţea prognozei. e t  Yt  Ft .n unde n este numărul gradelor de libertate. Pentru fiecare valoare se va calcula un indicator de eroare (suma erorilor pătratice S.. In modelul ajustării exponenţiale simple. tipuri de curbe asociate unor tipuri de fenomene. Ft ... t=1. fluctuaţiile ciclice.. Pentru determinarea celei mai potrivite valori a coeficientului de nivelare se poate folosi tehnica simulării (testări succesive).eroarea de ajustare.. et . ► Pentru serii stabile. iar F(0) = x(1). n . )F(t-1) unde:  este constanta de ajustare. curbele exponenţiale (cu şi fără plafonare) şi curbele în formă de S. există astfel. Nivelarea exponenţială se bazează pe relaţia: Noua previziune = vechea previziune + α (observaţia cea mai recentă – vechea previziune) Ft+1 = Ft +  * et = Ft +  * (Yt . notaţiile şi formulele folosite sunt: F(t) =  x(t) + (1.  cele mai utilizate: mediiler mobile.. 1]. Metode de ajustare Ajustarea unei serii temporale = operaţiunea de înlocuire a valorilor observate ale variabilei studiate cu alte valori.prognozele corespunzătoare momentelor t+1...

t=1. iar durata ciclului se poate observa în perspectiva mai multor ani. Deoarece TS arată tendinţa erorilor de prognoză.  . cele mai bune rezultate se obţin pentru TS apropiat (în modul) de 0 şi se recomandă ca TS  k  1.  mişcarea ciclică C t . cu doi parametri  .. Oscilaţiile sunt generate de alternanţa perioadelor de creştere. Variaţia aleatoare (Rt) se produce fără a avea cauze speciale care să o determine în mod previzibil sau cauzal şi fără posibilitatea de a i se atribui un model de repetare sistematică. . ... cu perioadele de stagnare. Această componentă poate fi relevată ca unică.. alegerea formei particulare (cu un singur parametru  . în mod separat..  ). 3. prin încercarea mai multor funcţii dintre care se alege cea cu “deviaţia standard minimă” (diferenţa între valorile reale ale seriei introduse în calculator şi valorile ajustate cu funcţiile matematice menţionate). Identificarea trendului se poate efectua reprezentând grafic. Variaţia sezonieră (St) apare ca urmare a influenţelor sezonale din timpul perioadei previzionate.  fluctuaţii sezoniere S t . 2 Pentru metodele de ajustare.dacă pentru seria de date reprezentată se poate pune în evidenţă o tendinţă liniar crescătoare sau descrescătoare se alege modelul cu trend (cu doi parametri  . tradiţii sau fenomene sociale. într-un mod aproximativ prin reprezentarea grafică a seriei de date: . În general. Metode de decompoziţie (bazate pe descompunerea componentelor) Metodele de descompunere (decompoziţie) presupun identificarea. la scară termenii seriei SAU analitic. a componentelor tipice (caracteristici) în variaţia unei serii dinamice şi prognoza acestora izolată:  tendinţa generală Tt . în cazul seriilor de timp decompozabile. sau ca componentă fundamentală ce poate fi izolată de celelalte componente.  )..25  1 unde k  2 (limită maxim acceptabilă).n  Media erorilor procentuale MAPE (Mean Absolute Percent Error) = 100 * | e(t)| /x(t) /n . în mod simultan se pot observa o componentă de tip trend şi variaţii sezoniere se poate alege modelul de ajustare trend -sezonalitate (se folosesc trei parametri  . .  ) se poate face. Variaţia ciclică (Ct) se manifestă prin oscilaţii relativ ample ale indicatorului sau fenomenului analizat.. Uneori variaţia sezonieră este generată de anotimpuri şi comportamentul oscilant în funcţie de acestea sau de obiceiuri. se consideră că pentru TS > 5 (în valoare absolută) se poate pune în evidenţă o tendinţă reală de creştere/descreştere a datelor seriei dinamice.dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege modelul de ajustare cu sezonalitate (cu doi parametri  .  variaţii neregulate (perturbatoare) Rt . Trendul (Tt) defineşte tendinţa generală a evoluţiei fenomenului indicatorului Yt desfăşurată pe o perioadă lungă de timp.  sau cu trei parametri  .n  „semnalul de urmărire” Tracking Signal (TS) = CFE / MAD. Are oscilaţie mai frecventă decât componenta ciclică.. în cazul seriilor ale căror diferenţe finite sunt constante.  ). pentru t=1. precum şi de alte cauze generale sau locale.în situaţia în care.  Media erorilor pătratice MSE (Mean Square Error) = Σ e(t) ² / n .  .

C. amplitudinea variaţiilor sezoniere este aproximativ constantă în timp) .: mărimea variaţiei sezoniere nu e afectată de valoarea tendinţei). dintre care se alege cea care asigură deviaţia standard minimă.Trendul se poate identifica grafic. sau analitic. şi anume: în formă aditivă: Yt  Tt  C t  S t  Rt . modelul aditiv modelul multiplicativ valoare valoare timp timp . prin încercarea mai multor funcţii. . în ambele cazuri. R sunt exprimate ca % sau proporţii. C. astfel: . Alegerea unei anumite forme este influenţată de modul de variaţie a factorilor ciclici şi sezonieri la modificările valorilor seriei dinamice: . variaţiile sezoniere şi cele ciclice nu sunt proporţionale cu mărimea valorilor din seria de date (în această situaţie.modelul multiplicativ: utilizat în mod frecvent când caracteristicile interacţionează (în care variaţiile sezoniere cresc proporţional cu trendul). previziunea pe baza seriilor decompozabile comportă etape succesive. în urma trasării curbei evoluţiei valorilor Xi ale seriei. Compunerea acestor elemente este posibilă în două moduri în cazul evaluării nivelului indicatorului prognozat.modelul aditiv: când factorii componenţi sunt independenţi (ex.Componentele ciclică sau sezonieră se determină prin metodele indexării.Ca metodologie de evaluare. pentru determinarea parametrilor funcţiei se apelează la metoda celor mai mici pătrate. R sunt exprimate ca valori absolute în formă multiplicativă: Yt  Tt  C t  S t  Rt unde S. unde S.

Din analiza datelor disponibile pe ultimele 10 trimestre s-a observat că valoarea vânzărilor variază de la un trimestru la altul conform datelor din tabelul 1. Analiza corelaţiei are ca obiectiv evaluarea gradului de interdependenţă (asociere) între variabilele considerate într-un model de regresie. folosind o ecuaţie de regresie determinată pe baza unor date experimentale.lei) 1 205 2 198 3 225 4 174 5 184 6 208 7 185 8 178 9 214 10 186 ? ? Dorind să se realizeze un nou program de promovare a produselor pentru trimestrul următor. *** . pot fi estimate (previzionate) valorile unor variabile date. Prin analiza regresiei se înţelege o clasă de metode prin care.A. presupunând cunoscute ori previzionate valorile altor variabile. Tabelul 1 Trimestrul Valoarea vânzărilor (mil.C. în ipoteza că nu se poate identifica o anumită tendinţă (ciclică sau sezonieră) în evoluţia vânzărilor. care realizează produse pentru îngrijirea tenului efectuează un studiu privind evoluţia vânzărilor pentru produsul cremă cu lăptişor de matcă pentru următorul trimestru.metoda ajustarii exponentiale simple Compartimentul de desfacere al S. compartimentul de desfacere solicită estimarea vânzărilor pe baza datelor înregistrate în perioada trecută. în particular între variabila dependentă şi cele independente (obiectiv care se realizează prin estimarea coeficienţilor de corelaţie şi a coeficientului de determinare). având un caracter de relativă stabilitate şi repetabilitate.ANALIZA DE REGRESIE ŞI DE CORELAŢIE Efectuarea de prognoze economice privind valorile variabilei endogene Y în funcţie de diferitele valori exogene X presupune acceptarea ipotezei că legitatea de dependenţă dintre Y şi X este corect specificată şi identificată. Studiu de caz: Previziunea vanzarii marfurilor . Farmec S.

. n . In tabelul 2 sunt prezentate şirul valorilor ajustate. respectiv t+1. iar et  Ft  Yt . t  1.   [0. t  1.se poate folosi tehnica simulării. O modalitate intuitivă de determinare a valorii  se poate deduce enumerând valori predeterminate ale acestui coeficient în intervalul [0. unde n reprezintă numărul t 1 observaţiilor reale ale indicatorului previzionat.. generându-se valori în intervalul [0.. Pentru fiecare valoare se va calcula suma erorilor pătratice S (ca exemplu de indicator care apreciază calitatea şi acurateţea unei metode de previziune) şi se va n alege valoarea  pentru care S   e t 2  min .. Metoda bazata pe serii de timp – Metoda BROWN (ajustarea exponentiala simpla) Ft 1    Yt  (1  )  Ft .. 1] . n .1]. Determinarea a valorii constantei de nivelare  .. în care: Ft . prognoza pentru trimestrul următor şi n suma S   et2 t 1 .. 1] şi calculând pentru fiecare coeficient suma abaterilor pătratice. Yt valoarea vânzărilor efective la momentul t. Ft 1 prognozele corespunzătoare momentelor t..

600 205.982 201.298 196.000 205.707 201.037 204.225 210.2] prin metoda mijlocului intervalului).000 205.000 205.264 207.818 3144.822 188. 198.104 198.530 211.132 1 205 205.683 199.741 199.15  =0.320 217.2].000 205.000 205.600 202.351 199.51 3652.987 193.9 1 205.2  =0.490 11 198.864 200.229 194.897 199.000 205.633 187.797 194.69 Se poate observa că cele mai mici valori ale sumei abaterilor pătratice indică faptul că  se situează în intervalul [0.392 193. t  1.902 184.425 201.483 7 201..229 194..902 S 3190.000 205.000 2 198 205.127 3148.528 187.2  =0.734 206.076 4 174 206.880 207.97 6743.000 205.239 198.611 184.897 199.905 10 199..546 180.000 205.000 205.435 188.12 3190.200 201. Tabelul 2 Valori ajustate ( Ft .000 2 205..984 196.984 193.800 200. t  1.950 204.530 219.880 222.642 202.919 206.12 3375.059 183.1375  =0.683 194.777 189..000 205.466 Forecast Result Actual Forecast Forecast CFE MAD MSE MAPE Tracking Data by Error (%) Signal SES 1 205 2 198 205 -7 -7 7 49 3.700 4 206.444 201.835 183.746 200.061 198.370 207.219 197.500 200.111 181. Se continuă acordarea unor valori în acest interval identificat anterior (în tabelul 3 se dau valori în intervalul [0.044 192.108 8 178 200.000 205.000 205.126 178.927 196.000 205.836 191.000 3 203.412 198. Tabelul 3 t Valori ajustate ( Ft .420 200.037 189.125  =0.99 4412.075 203.393 202.5  =0.000 205.141 202.1  =0.440 192.712 192.996 5434.982 9 214 197.625 190.060 3145..644 204.479 190.320 213.599 193.8  =0.103 198.508 186.208 196.1.000 205.560 11 .060 7 185 201.312 199.880 209.486 198.761 198.133 201.987 193.230 198.797 198.705 196.000 205.746 198.6  =0.1. 0.900 202.856 197.176 178.000 205.370 5 203.837 6 201.4  =0.444 S 3190.245 188.45 3999.127 3190.000 205.133 201.000 205.000 205.000 3 225 203.503 6 208 201..219 197.871 196.370 207. 0.107 206.273 200.600 203.208 196.250 215.86 4890.400 198.000 205.132 este cea mai potrivită valoare pentru criteriul considerat.212 10 186 199.917 183.785 198.10 ) şi valoarea prognozei F11  =0.125 204.037 195.838 5 184 203.588 197.3  =0.1  =0.000 205. Se apreciază că  = 0.288 197.10 ) şi valoarea prognozei F11 Yt  =0.7  =0.104 202.406 199.851 183.230 196.000 205.000 205.257 191.167 205.100 199.466 196.000 205.409 191.548 8 200.588 197.584 195.53 -1 .028 3144.600 205..812 186.054 9 197.703 190.

04 -2.10 9.75 381.18 349.81 476.47 9.93 5 184 202.44 -1.74 9 214 196.92 13.1826 MSE=349.385 MAPE=9.060 7.99 4 174 206.33 9.40 6.58 17.0156 Trk.108 -16.34 17.50 -37.96 243.41 19.560 -12.83 -18.21 371.212 17.98 -66.076 20.76 373.88 10.91 20.67 9.44 394.56 -61. 3 225 204.43 -3.29 -2.132 F(0)=205 .78 17.92 13.74 10 186 198.38 9.78 -48.71 10.503 -18.902 CFE = -61.570065 R-square = 0.01 -3.2071447 Alpha=0.11 -1.982 -20.47 17.25 521.57 11 196.343 MAD=17.56 17.838 -32.69 7 185 201.56 -0.88 6 208 200.Signal = -0.93 -29.64 8 178 198.41 0.10 -45.

în formă multiplicativă: Yt  Tt  Ct  S t  Rt . . şi anume: .variaţii neregulate (perturbatoare) Rt . a componentelor tipice în variaţia unei serii dinamice şi prognoza acestora izolată: . Metodele de descompunere (sau decompoziţie) presupun identificarea. Compunerea acestor elemente este posibilă în două moduri în cazul evaluării nivelului indicatorului prognozat. Alegerea unei anumite forme este influenţată de modul de variaţie a factorilor ciclici şi sezonieri la modificările valorilor seriei dinamice. se recomandă forma aditivă (în această situaţie. dacă variaţiile sezoniere şi cele ciclice nu sunt proporţionale cu mărimea valorilor din seria de date.mişcarea ciclică C t . Previziunea vânzărilor cu ajutorul metodelor de decompoziţie Societatea comercială Stil-Lux comercializează produse de sticlărie pentru menaj. . spre deosebire de cazul multiplicativ. în mod separat.în formă aditivă: Yt  Tt  Ct  S t  Rt . pe baza datelor din ultimii 3 ani asupra volumului de vânzări trimestriale (tabelul 6) se cere să se efectueze prognoza acestui indicator pentru următoarele 4 trimestre pentru fundamentarea planului curent de investiţii: Tabelul 6 Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV 1998 4000 4200 5600 5900 1999 5200 5700 7200 9500 2000 4750 5200 6900 9500 2001 5900 6300 8250 ? 2002 ? ? ? I. amplitudinea variaţiilor sezoniere este aproximativ constantă în timp. în care variaţiile sezoniere cresc proporţional cu trendul).fluctuaţii sezoniere S t . . .tendinţa generală Tt .

00 13 5.00 6.625.731.00 6 5.412.50 16 7.725.00 4.00 2 4.97 10 7.600.MEASURE COMBINED TREND AND CYCLICAL VARIATION Tabelul 7 PERIOD VALUE MOVING VERAGE CENTERED MOVING AVERAGE 1 4.600.00 8 6.200.900.700.00 7 7. MSS1 PHASE 1 .24 0.250.875.10 6 6.80 0.05 7 6.788.50 7.00 7.00 1 Se foloseşte programul MSS (The Management Science System) . The Estimated Regression Equation is: Te = 5300+186.075.75 PHASE II .044.75 11 6.300.230.SEPARATING THE TREND EFFECT (T) NOTE: The trend line is assumed to be linear.925.00 5.00 10 5.602.00 5.00 5 5.88 1.900.08 0.200.750.00 5.00 6.50 8 9.150.800.160.07 5 6.500.98 11 7.843.00 7.00 9 4.858.500.012.00 3 5.00 6.00 6.50 6.000.64 0.450.32 1.00 6.487.00 5.93 2 5.200.97 9 6.00 6.16 0.50 14 6.200.787.00 4 5.225.900.587.00 12 9.974.50 6.346.56 1.40 1.25 15 8.COMPUTING THE CYCLE (C) C = Centered Moving Average ( CMA)/Trend (T) Tabelul 8 CMA Period Trend (T) C=CMA/T 1 5.318.00 6.95 3 5.000.0795 X PHASE III .486.99 4 6.416.00 6.50 6.00 6.50 6.00 5.672.900.72 0.48 1.587.662.587.

98640 10 1.80615 0.06019 1.500.500.metoda mediilor mobile (medii mobile din 4 termeni.8966 6 5.AVG. .06946 5 1.8837 7 7. Măsurarea trendului şi a variaţiei ciclice (efectul combinat Tt  C t ).81460 MAXIMUM VALUE: 1.1034 4 5.COMBINED SEASONAL (S) AND RANDOM (R) VARIATIONS S*R = Original Values/CMA Tabelul 9 PERIOD VALUE S*R 1 4.0521 8 9.33817 133.0901 5 5.00 0.0251 12 9..750. Deoarece în calculul mediilor ( MM i .700.01237 11 1.01237 6 1.200.82633 82. INDEX 1 0.00 1.PHASE IV ..79630 79.00 1.83655 0.05205 1.3547 13 5.633 3 1.00 0.630 2 0.7170 10 5.00 PHASE V .00 15 8.200.35472 1.8061 14 6.00 0.000.12 ) se .00 0.MEASURING RANDOM (UNEXPLAINED) VARIATIONS (R) Tabelul 1 1 CMA PERIOD RANDOM VARIATION 1 1.03920 103.600.200.920 4 1.00 1.00 1.900.900.12590 4 1.01237 MINIMUM VALUE:0..28581 1.80656 0.81460 3 1.200.90039 8 0.95528 9 0.06182 2 0.00 1.05565 7 0.12590 E1.. i  1.COMPUTE THE SEASONAL INDEX (S) Tabelul 10 MEDIAL ADJUSTED SEASONAL QUARTER AVERAGE AVERAGE MED.00 3 5.00 0.83655 0.00 2 4. având în vedere sezonalitatea preconizată pe trimestre).00 1.7894 11 6.250.300.4126 9 4.900.817 PHASE VI .

în tabelul 7 (coloana Moving Average) s-au calculat: Y1  Y2  Y3  Y4 4000  4200  5600  5900 MM 1    4925 etc.7170  0. pentru care valorile S k  R k se citesc din tabelul 5 în care S 3  R3  0.079 . E3..foloseşte un număr par de termeni.. doi termeni reali Y1 .. Măsurarea efectului combinat al sezonalităţii şi perturbaţiilor întâmplătoare ( Sk  R k ) Yk Sk  R k  k  1. .11 (tabelul 9.prin analiza de regresie. E5.079*x (coloana Trend din tabelul 8) în care T1  5300  186. Calculul variaţiilor ciclice MMC k Ck  k  1.8837  0..... S 7  R7 .4126  1. k  1.11 (corespunzătoare poziţiilor termenilor reali din seria dinamică).... n k 1 k n k 1 k Ecuaţia de regresie liniară pentru trend este: T=5300+186.079  1  5486.8966  0. sau linia S din tabelul de calcul 8): S  R  S7  R 7  S11  R11 0.2858 .0901  1.93 T1 5486.. coloana S*R) relaţie potrivit căreia MMC k Y1 5600 S1  R 1    1.7894 S II  4 4   0.1034 (s-a considerat termenul real din seria dinamică MMC1 5075 corespunzătoare primei medii mobile centrate calculate.11 (coloana C=CMA/T din tabelul 8): Tk MMC1 5075 C1    0. 3 3 . y k  MMC k . se calculează mediile mobile centrate MMC k . 2 2  xk  n  x 1 n 1 n a  y b x şi x  x . Separarea tendinţei...se recalculează aceste medii după eliminarea celei mai mici şi a celei mai mari valori din şirul S k  R k folosit pentru calculul fiecărei medii (coloana Medial Average din tabelul 10 sau linia SM din tabelul de calcul 12).08 E4. potrivit căreia T  a bx pentru care b .8065 (corespunde sezonalităţii 3 3 primului trimestru.3547 S IV    1..  x k  yk  nx  y . x k  k . n  11 . coloana Centered Moving Average: MM1  MM 2 4925  5225 MMC1    5075 2 2 E2. y  y . 4 4 şi.8365 sau 2 2 S 2  R2  S 6  R6  S10  R10 1. S11  R11 sunt asociate trimestrului I) şi S  R  S8  R 8 0.11. în tabelul 7). Calculul variaţiilor sezoniere ( S k ) unde se pot calcula mediile aritmetice simple pentru fiecare trimestru (coloana Average din tabelul 10.8966 .. k  1.8061 SI  3 3   0. Y2 nu au corespondent pentru MMC)..

0251 1.8061 0.0601 1.079  13  7719. SM II  S II .2858 SM 0.948 * SAIV = 7532. valorile minimă (1.106 *0. Tabelul 12 Anul Trimestrul Trimestrul Trimestrul III Trimestrul IV 1998 -I -II 1. 13. .3547 SA 0.7170 0.027 *0.7963=6188.118 T19  S19 = 8091.0520 (s-au eliminat din calculul mediei.8061 .8263 etc.359.0901 1999 0.0901) şi maximă (1. Se calculează apoi mediile ajustate (coloana Adjusted Med.0494 care permit apoi calculul indicatorilor de sezonalitate (coloana Seasonal Index din tabelul 10): SI I  SA I  100  79.185 apoi se face ajustarea sezonalităţii: T16  S16 = 7532. Prognoza pentru următoarele 4 trimestre: se calculează tendinţa (cu x k = 12.948 * 1.0521 1.661 I T18  S18 =7905.7894 1.0494 4 4 SA II  SM II  0.0251) şi maximă (1.0901 R1    1. T17  5300  186.1034 S R 1.185* SA III = 8091.106 * SAII = 7905.027 . 15 deoarece k=1 a corespuns trimestrului III/1998 pentru calculul primei medii mobile centrate MMC sau CMA care a permis calculul ecuaţiei de regresie pentru tendinţă): T16  5300  186. Pentru SM I .1034) din coloana trimestrului III din tabelul 5). valorile minimă (1.8966.Avg. SM III  S 4  R 4  1.079  12  7532. se observă că cea mai mică valoare este 0.027 * SA = 7719.0392 SAIV 1.40 sau linia SA din tabelul 1.4126 2000 0. SM1  SM 2  SM 3  SM 4 4.3381 S R E6.1034 1. .3381 E7.4126) din coloana trimestrului IV din tabelul 12).948 T17  S17 =7719. T19  5300  186.0392=8408. SM I  S11  R 11  0. SM IV  S10  R10  1.3547 (s-au eliminat din calculul mediei.8365 1.185*1.8263 1.0392 1. din coloana corespunzătoare trimestrului I.630 etc.3547 2001 0. iar cea mai mare este 0. T18  5300  186. 14. R2  2 2   0.8837 1. SAIII 1. Determinarea variaţiilor întâmplătoare: Rk  SA k k (coloana Random variation din trim tabelul de rezultate 11): S1  R1 1.8966 0.948 .7170.7963 SM1  SM 2  SM 3  SM 4 4.079  15  8091.7963 0.079  14  7905. din tabelul de calcul 12.8365 1.8061 .338=7532.42): 4 4 SA I  SM I  0.8263=6532. - S 0.80615   0.0618 . din tabelul 1.0520 1.8146 etc.8365   0.106 .8065 0.

Probabilită Probabilită Interval numere valor ţi relative ţi cumulate aleatoare i 0. Este etapa cea mai dificilă a metodologiei de calcul şi se bazează pe formularea unor ipoteze de evoluţie a indicatorului studiat (în acest exemplu. .251. 3 Tabelul 13 Variaţii Trimestrul Trimestrul II Trimestrul Trimestrul IV ciclice I III 1998 . Pentru calculul prognozei se estimează apoi componentele ciclice (C) şi variaţiile aleatoare (R) pentru a multiplica valorile T*S obţinute anterior. .27 0.00000 3 0. coloana Random variation).361-0. 0.90001-1.07  0.09 0.862.195 T18  S18  C18 = 6532.554 T17  S17  C17 = 6188.00 0.99 1.09 0.93  1.93 0.02 2 0.10 1.9966 = 6167. 1. - Cprev 0.9966 1.20000 (1 valoare).118*1. folosind funcţia RAND()).55 0.0200 1.000-0. etc. 0. Pe baza numărului de valori R situate în cadrul fiecărui interval se calculează probabilităţile relative şi cele cumulate (tabelul 14). 0.090 0.9933 =10011.00 .00001-1.910 1.911-1.661*0.203.359*1. Tabelul 14 Intervale Nr. vânzările). III/2002) incluzând factorul de sezonalitate corepunzător: T16  S16  C16 = 10079.36 0.10001-1.360 1.400.80001-0.00 0.91 0.10001-1.90001-1.00001-1. se grupează valorile R pe intervalele: 0.07 1.10000 (6 valori). .97 C II   1.80001-0.000 Se generează apoi 4 numere aleatoare NA (de exemplu. .97 0. fie acestea: 0. 0.760 T19  S19  C19 = 8408. 1.05 2000 1.folosind estimarea pe baza mediei aritmetice simple (tabelul 13): 1.1  0.0000 0. în EXCEL.084*0. 0.10000 6 0.0200 = 6662.359 Pentru estimarea variaţiilor întâmplătoare (pe baza datelor din tabelul 11.9933 Se pot calcula valorile prognozate pentru cele 4 trimestre (IV/2001 şi I.091-0. II.09 1.90000 (cu o singură valoare în acest interval).90000 1 0.0000 = 8408.00000 (s-au înregistrat 3 valori).98 2001 1.20000 1 0.97 CI   1.95 1999 0.97 0.

9593 obţinute prin interpolare (pentru orice număr aleator situat în intervalul 0.1819  NA  0. ecuaţia este RNA  0.în situaţia în care.  ).  ) se poate face. 10000 9500 9000 8500 8000 Vanzari 7500 7000 6500 6000 5500 5000 4500 4000 3500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Trimestre Date re ale Pre viziuni .8661 . . S. R) ale seriei de date. iar pentru intervalul 0.pentru trimestrul I: F17 = 6167. RNA4=0.u.554*0.9415.8146.760*1.195*0.  ).361-0. şi anume: 10011.0071 =6710. se poate estima un interval de valori pentru F16 . . . Acestor numere li se asociază valorile RNA1=1. respectiv 1.m II.pentru trimestrul II: F18 = 6662.  ).  sau cu trei parametri  . RNA2=0.9344 ). în mod simultan se pot observa o componentă de tip trend şi variaţii sezoniere se poate alege modelul de ajustare trend-sezonalitate (se folosesc trei parametri . cu doi parametri . C.u.0911.m. RNA3=1.1259 = 11272.360.606 Observaţie: Indiferent de numărul aleator generat.554* 1.dacă pentru seria de date reprezentată se poate pune în evidenţă o tendinţă liniar crescătoare sau descrescătoare se alege modelul cu trend (cu doi parametri .dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege modelul de ajustare cu sezonalitate (cu doi parametri .414 mil.910. într-un mod aproximativ prin reprezentarea grafică a seriei de date: .554*1. alegerea formei particulare (cu un singur parametru  .4151 şi 10011. Pentru metodele de ajustare.1259 sunt cea mai mică şi cea mai mare valoare R (din tabelul 11). . Din compunerea tuturor componentelor ajustate (T.013 unde 0.8146 = 8155. Prognozele pentru celelalte perioade (anul 2002) sunt: .091-0.3717  NA  0. se calculează valorile prognozate: .465 mil. ecuaţia de interpolare este RNA  0.0911=10923.  .pentru trimestrul IV/2001 F16 = T16  S16  C16 * RNA1=10011.0071.9415 =5806.

Figura 12 .