Translated from English to Vietnamese - www.onlinedoctranslator.

com

CHƯƠNG 4|DỰ BÁO117

Concep
bởi một phân số

dàn diễn viên. Thi

Ví dụ 3 XÁC ĐỊNH DỰ BÁO QUA SỰ HÚT MƯỢT TIỀN LIỆT

Vào tháng 1, một đại lý ô tô đã dự đoán nhu cầu trong tháng 2 đối với 142 chiếc Ford Mustang. Nhu cầu thực tế trong tháng Hai là 153 ô tô.
Sử phương pháp liên tiến luỹ thừa (phương pháp liên tiến luỹ thừa) được chọn bởi quản lý = 20, đại lý muốn dự báo nhu cầu tháng 3 bằng
cách sử dụng phương pháp liên tiến luỹ thừa theo cấp số nhân (phương pháp liên tiến luỹ thừa theo cấp số nhân).

CÁCH TIẾP CẬNCó thể áp dụng phương pháp liên tiến luỹ thừa hàm mũ (phương pháp liên tiến luỹ thừa hàm mũ)
trong Công thức (4-3) và (4-4).

BÀI GỈAI (BÀI GIẢNG)Thay dữ liệu mẫu vào công thức, chúng tôi thu được:

Dự báo mới (cho nhu cầu tháng 3) = 142 + 2 (153 - 142) = 142 + 2,2
=144,2
Do đó, dự báo nhu cầu trong tháng 3 đối với Ford Mustang được làm tròn thành 144.

CÁI NHÌN THẤU SUỐT Chỉ sử dụng hai phần dữ liệu, dự báo và nhu cầu thực tế, cộng với hằng số ổn định, chúng tôi đã phát triển dự
báo TẬP
BÀI về 144 chiếc Ford Mustang cho tháng Ba. số làm mịn được thay đổi thành .30, thì dự báo mới là gì?
Nếu hằng
[Trả lời: 145,3]
CÁC VẤN ĐỀ LIÊN QUAN 4.1c, 4.3, 4.4, 4.5d, 4.6, 4.9d, 4.11, 4.12, 4.13a, 4.17, 4.18, 4.31, 4.33, 4.34
(4.36, 4.61a có sẵn trongCủa tôiOMPhòng thí nghiệm)

Liên tiến luỹ thừa,,thường nằm trong phạm vi từ 0.05 đến 0.5 (0.05 đến 0.5) và được áp dụng rộng rãi
trong kinh doanh (được áp dụng rộng rãi trong kinh doanh). Nó có thể được thay đổi để tăng trọng lượng
hơn cho dữ liệu gần đây (khi  cao) hoặc nhiều hơn trọng số đối với dữ liệu trong quá khứ (khi  thấp).
Khi nào  đạt đến cực trị 1.0, thì Công thức (4-4), Ft = 1,0At-1. Tất cả các giá trị cũ hơn bị loại bỏ và dự
báo trở nên giống với mô hình được đề cập trước đó trong chương này. Tức là dự báo cho kỳ sau cũng
chỉ bằng nhu cầu kỳ này.

Bảng sau đây giúp minh họa khái niệm này. Ví dụ,  = 0.5, chúng ta có thể thấy rằng dự
báo mới gần như dựa hoàn toàn vào nhu cầu trong ba hoặc bốn giai đoạn gần đây. Khi
nào 
=0.1, dự báo không phụ thuộc nhiều vào nhu cầu gần đây mà phụ thuộc nhiều hơn vào những
giá tị ở quá khứ.( dự báo không phụ thuộc nhiều vào nhu cầu gần đây mà phụ thuộc nhiều hơn
vào những giá tị ở quá khứ)

TRỌNG LƯỢNG ĐƯỢC ĐĂNG KÝ

3RD NHIỀU NHẤT THỨ 4 THỨ 5

Liên tiến GẦN ĐÂY NHẤT THỨ 2 GẦN ĐÂY NHẤT GIAI ĐOẠN GẦN ĐÂY GIAI ĐOẠN GẦN ĐÂY GIAI ĐOẠN GẦN ĐÂY
GIAI ĐOẠN () GIAI ĐOẠN (1-) (1-)2 (1-)3 (1-)4
luỹ thừa
KHÔNG THAY ĐỔI

a =.1 .1 . 09 . 081 . 073 . 066

a =.5 .5 . 25 . 125 . 063 . 031

Chọn Liên tiến luỹ thừa : Liên tiến luỹ thừa theo cấp số nhân đã được áp dụng thành công
trong hầu hết mọi loại hình kinh doanh. Tuy nhiên, giá trị đúng nhất của liên tiến luỹ thưaf
,,có thể tạo ra sự khác biệt giữa một dự báo chính xác và một dự báo không chính xác.
Giá trị cao của  được dùng khi mức trung bình cơ bản có khả năng thay đổi. Giá trị thấp
của  được sử dụng khi mức trung bình cơ bản là khá ổn định. Khi chọn một giá trị cho liên
tiến luỹ thừa , mục tiêu là để có được dự báo chính xác nhất.
MẸO CHO SINH VIÊN

Các dự báo có xu hướng chính xác

Đo lường lỗi dự báo hơn khi chúng trở nên ngắn hơn.

Do đó, sai số dự báo cũng có xu

Độ chính xác tổng hướng giảm xuống với các dự

báo ngắn hơn.

Tính chính xác của các mô hình sự đoán như Trung bình chuyển động, liên tiến luỹ thừa có thể được tính băng cách so
sánh giá trị dự đoán với giá trị thực.

(thể của bất kỳ mô hình dự báo nào — trung bình động, làm mịn theo cấp số nhân, hoặc các mô hình khác
— có thể được xác định bằng cách so sánh các giá trị dự báo với thực tế hoặc quan sát được)
118 PHẦN 1|GIỚI THIỆU VỀ QUẢN LÝ VẬN HÀNH (ION ĐỂ QUẢN LÝ IONS VẬN HÀNH)

các giá trị. Nếu Ft biểu thị dự báo trong khoảng thời gian t, và At biểu thị nhu cầu thực tế trong thời gian t, các
dự báo lỗii(hoặc độ lệch) được định nghĩa là:

Sai số dự báo = Nhu cầu thực tế - Giá trị dự báo

LO 4,4Tính toán ba
biện pháp dự báo
sự chính xác
=At-Ft
Một số biện pháp được sử dụng trong thực tế để tính toán sai số dự báo tổng thể. Các biện pháp này có
thể được sử dụng để so sánh các mô hình dự báo khác nhau, cũng như theo dõi các dự báo để đảm bảo
chúng hoạt động tốt. Ba trong số các thước đo phổ biến nhất là độ lệch tuyệt đối trung bình (MAD), sai số
bình phương trung bình (MSE) và sai số phần trăm tuyệt đối trung bình (MAPE). Bây giờ chúng tôi mô tả
và đưa ra một ví dụ về từng loại.

Có nghĩa là độ lệch tuyệt đối. Phép đo đầu tiên về sai số dự báo tổng thể cho một mô hình là
Trung bình tuyệt đối có nghĩa là độ lệch tuyệt đối (MAD) . Giá trị này được tính bằng cách lấy tổng các giá trị tuyệt
độ lệch (MAD) đối của các lỗi dự báo riêng lẻ (độ lệch) và chia cho số khoảng thời gian dữ liệu (N):
Một thước đo của th

lỗi cho một chế độ

MAD=
∑ |Di−F i|
n

Ví dụ 4
XÁC ĐỊNH TỪ VIẾT TẮT TUYỆT ĐỐI CÓ NGHĨA (MAD)

Trong suốt 8 quý vừa qua, Cảng Baltimore đã bốc dỡ một lượng lớn ngũ cốc từ các con tàu. Người quản lý
hoạt động của cảng muốn kiểm tra việc sử dụng làm mịn theo cấp số nhân để xem kỹ thuật này hoạt động
tốt như thế nào trong việc dự đoán trọng tải không tải. Ông đoán rằng dự báo lượng ngũ cốc bốc dỡ trong
quý đầu tiên là 175 tấn. Hai giá trị củamộtsẽ được kiểm tra: = 0.1 và  = 0.5.

CÁCH TIẾP CẬN So sánh dữ liệu thực tế với dữ liệu chúng tôi dự báo (sử dụng từngmộtgiá trị) và sau
đó tìm độ lệch tuyệt đối và MAD.
DUNG DỊCH Bảng sau đây cho thấy chi tiết tính toán cho =0.1 chỉ:

TRỌNG TẢI DỰ BÁO VỚI

ĐƠN VỊ TONNAGE) THỰC TẾ DỰ BÁO VỚI =0.1 =0.5
CHI TIẾT (CHƯA ĐƯỢC XEM)

1 180 175 175

2 168 175,50 =175,00+ 0.1 (180-175) 177.50
3 159 174,75 = 175,50 + 0.1 (168 - 175,50) 172,75
4 175 173,18 = 174.75 + 0.1 (159 - 172,75) 165,88
5 190 173,36 = 173,18 + 0.1 (175 - 173,18) 170.44
6 205 175,02 = 173,36 + 0.1 (190 - 173,36) 180,22
7 180 178,02 = 175,02 + 0.1 (205 - 175,02) 192,61
8 182 178,22 = 178,02 + 0.1 (180 - 178,02) 186.30
9 ? 178,59 = 178,22 + 0.1 (182 - 178,22) 184.15

Để đánh giá độ chính xác của từng hằng số làm mịn, chúng tôi có thể tính toán các sai số dự báo
về độ lệch tuyệt đối và MAD:

TUYỆT ĐỐI DỰ BÁO TUYỆT ĐỐI

TRỌNG DỰ BÁO VỚI CHỮ VIẾT TẮT VỚI CHỮ VIẾT TẮT
ĐƠN VỊ TẢI(TONNAGE) =0.1 VÌ =0.1 =0.5 VÌ =0.5
THỰC TẾ
Chi tiết (CHƯA ĐƯỢC XEM)

1 180 175 5,00 175 5,00

2 168 175,50 7.50 177.50 9,50
3 159 174,75 15,75 172,75 13,75
4 175 173,18 1,82 165,88 9,12
5 190 173,36 16,64 170.44 19,56
6 205 175.02 29,98 180,22 24,78
7 180 178.02 1,98 192,61 12,61
số 8 182 178,22 3,78 186.30 4.30
Tổng của độ lệch tuyệt đối:
 g -Sai lệch - 82,45 98,62
MAD = N
10,31 12,33
 N

BÊN TRONG (CÁI NHÌN THẤU SUỐT) Trên cơ sở so sánh này của hai MAD, liên tiến luỹ thừa của =0.1 được ưu tiên
=0.5 vì MAD của nó nhỏ hơn.
BÀI TẬP Nếu liên tiến luỹ thừa được thay đổi từ =0.1 đến = 0.2, cái gì là
MAD mới ? [Trả lời: 10,21.]
CÁC VẤN ĐỀ LIÊN QUAN 4.5b, 4.8c, 4.9c, 4.14, 4.23, 4.59b (4.35d, 4.37a, 4.38c, 4.61b khả dụng
TrongCủa tôiOMPhòng thí nghiệm)

EXCELOMTập tin dữ liệuCh04Ex4a.xlsvàCh04Ex4b.xlsCó thể được tìm thấy trongCủa tôiOMPhòng thí nghiệm.

TÍCH CỰCNGƯỜI MẪU4.2Ví dụ này được minh họa thêm trong Mô hình Hoạt động 4.2 trongCủa tôiOMPhòng thí nghiệm.

Hầu hết các phần mềm dự báo trên máy tính đều có tính năng tự động tìm liên tiến luỹ
thừa (hằng số làm mịn ) với sai số dự báo thấp nhất. Một số phần mềm sửa đổimộtgiá trị
nếu sai số trở nên lớn hơn mức có thể chấp nhận được.
Có nghĩa là lỗi bình phương Các lỗi bình phương trung bình (MSE)là cách thứ hai để đo lường tổng thể Sai số trung bình bình phương (MSE)

dự báo lỗi. MSE là giá trị trung bình của sự khác biệt bình phương giữa các giá trị được dự báo và Giá trị trung bình của sự khác biệt
quan sát. Công thức của nó là: bình phương giữa các giá trị được dự
báo và quan sát.

Exampl

Ví dụ 5 SAI SỐ TOÀN PHƯƠNG TRUNG BÌNH (XÁC ĐỊNH LỖI CÓ NGHĨA CƯƠNG) (MSE)
Giám đốc điều hành của Cảng Baltimore hiện muốn tính toán MSE cho =0.1
CÁCH TIẾP CẬN Sử dụng cùng một dữ liệu dự báo cho =0.1 từ Ví dụ 4, tính MSE với Công thức (4-6).

BÀI GIẢI (DUNG DỊCH)

TONNAGE THỰC TẾ DỰ BÁO CHO

ĐƠN VỊ CHI TIẾT =0.1 (SAI SỐ)2 (LỖI)2
1 180 175 52= 25
2 168 175,50 (-7,5)2= 56,25
3 159 174,75 (-15,75)2= 248,06
4 175 173,18 (1.82)2= 3,31
5 190 173,36 (16,64)2= 276,89
6 205 175.02 (29,98)2= 898,80
7 180 178.02 (1,98)2= 3,92
8 182 178,22 (3,78)2= 14,29
Tổng sai số bình phương = 1.526,52

(Tổng sai số bình

MSE = phương)2 =1.526,52 / 8 = 190,8

N
CÁI NHÌN THẤU SUỐTc MSE = 190,8 này tốt hay xấu? Tất cả phụ thuộc vào MSE cho các dự báo khác
các phương pháp tiếp cận. MSE thấp sẽ tốt hơn vì chúng tôi muốn giảm thiểu MSE. MSE phóng đại các lỗi bởi vì nó bình phương chúng.

BÀI TẬP HỌC TẬPcTìm MSE cho =0.5. [Đáp số: MSE = 195,24. Kết quả chỉ ra rằng =0.1 là lựa chọn tốt hơn vì chúng tôi tìm
kiếm MSE thấp hơn. Thật trùng hợp, đây cũng là kết luận mà chúng tôi đã đạt được khi sử dụng MAD trong Ví dụ 4.]
CÁC VẤN ĐỀ LIÊN QUANc4.8d, 4.11c, 4.14, 4.15c, 4.16c, 4.20 (4.35d, 4.37b có sẵn trongCủa tôiOMPhòng thí nghiệm)
120PHẦN 1|GIỚI THIỆU ION ĐỂ QUẢN LÝ IONS VẬN HÀNH

MSE có xu hướng làm nổi bật những sai lệch lớn do thuật ngữ bình phương. Ví dụ: nếu sai
số dự báo trong giai đoạn 1 lớn gấp đôi sai số trong giai đoạn 2, thì sai số bình phương
trong giai đoạn 1 lớn gấp bốn lần trong giai đoạn 2. Do đó, việc sử dụng MSE làm thước đo sai
số dự báo thường chỉ ra rằng chúng tôi muốn có một số độ lệch nhỏ hơn là thậm chí một độ
lệch lớn.
Phần trăm lỗi trung bình tuyệt đốiMột vấn đề với cả MAD và MSE là giá trị của chúng phụ thuộc
vào độ lớn của mục được dự báo. Nếu mục dự báo được đo bằng hàng nghìn, giá trị MAD
và MSE có thể rất lớn. Để tránh vấn đề này, chúng ta có thể sử dụngnghĩa là lỗi phần trăm tuyệt
đối
Phần trăm tuyệt đối trung bình
(MAPE). Giá trị này được tính bằng giá trị trung bình của chênh lệch tuyệt đối giữa giá trị dự
lỗi (MAPE)
báo và giá trị thực tế, được biểu thị bằng phần trăm của giá trị thực tế. Đó là, nếu chúng ta có
Giá trị trung bình của sự khác biệt
tuyệt đối giữa các giá trị dự báo và
các giá trị dự báo và thực tế choNthời gian, MAPE được tính như sau:
thực tế, được biểu thị bằng phần trăm N
của actua

Ví dụ 6 XÁC ĐỊNH PHẦN TRĂM SAI SỐ TUYỆT ĐỐI TRUNG BÌNH (XÁC ĐỊNH LỖI PHẦN
TRĂM TUYỆT ĐỐI CÓ NGHĨA) (MAPE)

Cảng Baltimore bây giờ muốn tính MAPE khi = 0.1.

CÁCH TIẾP CẬN Công thức (4-7) được áp dụng cho dữ liệu dự báo được tính trong Ví dụ 4. DUNG DỊCHc

TONNAGE THỰC TẾ DỰ BÁO CHO TUYỆT ĐỐI PERCENT LỖI

ĐƠN VỊ CHI TIẾT =0.1 100 (| SAI SỐ(LỖI) | / THỰC TẾ)
1 180 175,00 100 (5/180) = 2,78%
2 168 175,50 100 (7,5 / 168) = 4,46%
3 159 174,75 100 (15,75 / 159) = 9,90%
4 175 173,18 100 (1,82 / 175) = 1,05%
5 190 173,36 100 (16,64/190) = 8,76%
6 205 175.02 100 (29,98 / 205) = 14,62%
7 180 178.02 100 (1,98 / 180) = 1,10%
8 182 178,22 100 (3,78 / 182) = 2,08%
% tổng sai số (Tổng số% lỗi) = 44,75%

44,75%
glỗi phần trăm tuyệt đối) Tổng % sai số tuyệt đối
MAPE =
N 8
CÁI NHÌN THẤU SUỐTc MAPE biểu thị lỗi dưới dạng phần trăm giá trị thực, không bị biến dạng bởi một giá trị lớn
giá trị.

BÀI TẬP MAPE là gì khi là 0.5? [Trả lời: MAPE = 6,75%. Như trường hợp với MAD và MSE, =0.1 là thích hợp
cho chuỗi dữ liệu này.]
CÁC VẤN ĐỀ LIÊN QUANc4,8e, 4,29c

MAPE có lẽ là thước đo dễ hiểu nhất. Ví dụ, kết quả MAPE là 6% là một tuyên bố rõ ràng
không phụ thuộc vào các vấn đề như độ lớn của dữ liệu đầu vào.
Bảng 4.1 tóm tắt sự khác biệt giữa MAD, MSE và MAPE.

Liên tiến luỹ thừa với Điều chỉnh xu thế (Làm mịn theo cấp số nhân với
Điều chỉnh xu hướng)
Phương pháp liên tiến luỹ thừa đơn (Kỹ thuật làm trơn hàm mũ đơn giản), minh họa trong các Ví dụ từ 3 đến
6, cũng giống như bất kỳ kỹ thuật trung bình động nào khác: Nó không đáp ứng được các xu hướng. Các kỹ
thuật dự báo khác có thể đối phó với các xu hướng chắc chắn có sẵn. Tuy nhiên, vì làm mịn theo cấp số nhân là
một cách tiếp cận mô hình hóa phổ biến trong kinh doanh, chúng ta hãy xem xét nó một cách chi tiết hơn.
 CHƯƠNG 4|VÌ

BẢNG 4.1 So sánh các biện pháp dự báo sai số

ĐO LƯỜNG Ý NGHĨA CỔ PHẦN VÍ DỤ ỨNG DỤNG VÀO CHƯƠNG

Trung bình tuyệt đối
độ lệch (MAD)
Bình phương trung bình
lỗi (MSE)
Bao nhiêu g0Thực tế - Dự báo0 Vìa =.10 trong Ví dụ 4, dự báo về
dự báo bị bỏ lỡ MAD = (4-5) lượng ngũ cốc không tải trung bình
mục tiêu
N là 10,31 tấn.
Hình vuông của Vìa =.10 trong Ví dụ 5, bình phương
bao nhiêu g (Dự báo lỗi)2 của sai số dự báo là 190,8. Con số
dự báo bị bỏ lỡ MSE = (4-6) này không có ý nghĩa vật lý nhưng
N hữu ích khi so sánh với MSE của
mục tiêu
một dự báo khác.

N
Trung bình tuyệt đối Trung bình Vìa =.10 trong Ví dụ 6, dự báo giảm
một100 - Thực tếtôi-Dự báotôi->Thật sựtôi
lỗi phần trăm lỗi phần trăm trung bình 5,59%. Như trong Ví dụ 4
tôi=1
(BẢN ĐỒ) MAPE = (4-7) và 5, một số dự báo quá cao và một
N số dự báo thấp.

Đây là lý do tại sao phải sửa đổi tính năng liên tiến luỹ thừa theo cấp số nhân (làm mịn theo cấp số
nhân)khi có xu hướng. Giả sử rằng nhu cầu về sản phẩm hoặc dịch vụ của chúng tôi đang tăng lên
100 đơn vị mỗi tháng và chúng tôi đã dự báoa
=0,4 trong mô hình làm mịn theo cấp số nhân của chúng tôi. Bảng sau đây cho thấy độ trễ nghiêm
trọng trong tháng thứ hai, thứ ba, thứ tư và thứ năm, ngay cả khi ước tính ban đầu của chúng tôi cho
tháng 1 là hoàn hảo:

THÁNG NHU CẦU THỰC TẾ DỰ BÁO (Ft) CHO CÁC THÁNG 1–5

1 100 F1= 100 (đã cho)

2 200 F2=F1+(A1-F1) = 100 + .4 (100 - 100) = 100
3 300 F3=F2+ (A2-F2) = 100 + .4 (200 - 100) = 140
4 400 F4=F3+ (At3-F3) = 140 + .4 (300 - 140) = 204
5 500 F5=F4+ (At4-F4) = 204 + .4 (400 - 204) = 282

Để cải thiện dự báo của chúng tôi, hãy để chúng tôi minh họa một mô hình làm mịn theo cấp số nhân phức tạp hơn,
một mô hình điều chỉnh theo xu hướng. Ý tưởng là tính toán mức trung bình được làm mịn theo cấp số nhân của dữ
liệu và sau đó điều chỉnh cho độ trễ tích cực hoặc tiêu cực trong xu hướng. Công thức mới là:

Dự báo bao gồm cả xu hướng (FITt) = Mức trung bình dự báo liên tiến luỹ thừa theo cấp số nhân (Ft)

+ Xu hướng liên tiến luỹ thừa theo cấp số nhân (Tt) (4-8)

Với tính năng liên tiến luỹ thừa theo cấp số nhân được điều chỉnh theo xu hướng, các ước tính cho cả giá trị trung
bình và xu hướng đều được liên tiến luỹ thừa. Quy trình này yêu cầu hai liên tiến luỹ thừa hằng số:mộtcho mức trung
bình và cho xu hướng. Sau đó, chúng tôi tính giá trị trung bình và xu hướng từng thời kỳ:

Ft= (Nhu cầu thực tế kỳ trước) + (1- ) (Dự báo kỳ trước + Ước tính xu hướng kỳ trước)

hoặc:

Ft= (At-1) + (1 - (Ft-1+Tt-1) (4-9)

Tt= (Dự báo kỳ này - Dự báo kỳ trước) + (1 -) (Ước tính xu hướng kỳ trước)
hoặc:

Tt= (Ft-Ft-1) + (1 -)Tt-1 (4-10)

Khi Ft =Mức trung bình dự báo làm mịn theo cấp số nhân của chuỗi dữ liệu trong khoảng thời giant =xu
Tt = ( hướng làm mượt) liên tiến luỹ thừa theo cấp số nhân trong khoảng thời gian t =nhu cầu thực tế trong kỳ t
At = nhu cầu thực tế trong khoảng thời gian t
 = liên tiến luỹ thừa theo xu hướng (0≤ ≤1 )
 = liên tiến luỹ thừa trung bình ( 0≤ ≤1 ¿
122PHẦN 1|GIỚI THIỆU ION ĐỂ QUẢN LÝ IONS VẬN HÀNH

Vì vậy, ba bước để tính toán dự báo được điều chỉnh theo xu hướng là:

BƯỚC 1:Tính toán Ft, mức trung bình dự báo làm mịn theo cấp số nhân trong khoảng thời gian t, sử dụng
Phương trình (4-9).
BƯỚC 2:Tính toán xu hướng làm mịn,Tt, sử dụng Công thức (4-10).

Ví dụ 7 TÍNH TOÁN DỰ BÁO LÀM MỊN MỤN CẦN ĐIỀU CHỈNH XU HƯỚNG

Một nhà sản xuất lớn ở Portland muốn dự báo nhu cầu về thiết bị kiểm soát ô nhiễm. Đánh giá về doanh số bán hàng trong
quá khứ, như được hiển thị bên dưới, cho thấy rằng xu hướng ngày càng tăng hiện đang diễn ra:

THÁNG (t) NHU CẦU THỰC TẾ (At) THÁNG (t) NHU CẦU THỰC TẾ (At)

1 12 6 21
2 17 7 31
3 20 số 8 28
4 19 9 36
5 24 10 ?

Các hằng số làm mịn được gán các giá trị của  =0.2 và=0.4. Công ty giả định mức trung bình dự báo ban đầu
cho tháng 1 (F1) là 11 đơn vị và xu hướng trong khoảng thời gian đó (T1) là 2 đơn vị.

CÁCH TIẾP CẬN Mô hình làm mịn theo cấp số nhân được điều chỉnh theo xu hướng, sử dụng các Công thức (4-9), (4-10)
và (4-8) và ba bước ở trên, được sử dụng.

BÀI GỈAI
Bước 1:Dự báo trung bình cho tháng 2:

F2=A1+ (1 -)(F1+T1)

F2= (.2) (12) + (1 - .2) (11 + 2)

=2,4 + (.8) (13) = 2,4 + 10,4 = 12,8 đơn vị

Bước 2:Tính toán xu hướng trong giai đoạn 2:

T2=(F2-F1) + (1 -)T1
=.4 (12,8 - 11) + (1 - .4) (2)
= (.4) (1.8) + (.6) (2) = .72 + 1.2 = 1.92

Bước 3:Tính toán dự báo bao gồm cả xu hướng (FITt):

FIT2=F2+T2
=12,8 + 1,92
=14,72 chiếc

Chúng tôi cũng sẽ thực hiện các phép tính tương tự cho tháng thứ ba:

Bước 1: F3=A2+ (1 -)(F2+T2) = (.2) (17) + (1 - .2) (12.8 + 1.92)

=3,4 + (.8) (14,72) = 3,4 + 11,78 = 15,18
Bước 2: T3=(F3-F2) + (1 -)T2= (.4) (15.18 - 12.8) + (1 - .4) (1.92)
= (.4) (2.38) + (.6) (1.92) = .952 + 1.152 = 2.10
Bước 3: FIT3=F3+T3
=15,18 + 2.10 = 17,28.