ΙΣΤΟΡΙΑ ΠΟΥ ΔΙΔΑΣΚΕΙ

ΓΝΩΣΗ ΠΟΥ ΕΞΕΛΙΣΣΕΤΑΙ

www.mba.econ.uoa.gr
 Πρόβλεψη στάσιμων χρονοσειρών
• Απλοϊκή μέθοδος (naïve method):
Ft+1 = At
Ft+1 = πρόβλεψη για την επόμενη περίοδο, t + 1
Α t = πραγματική τιμή για την τρέχουσα περίοδο,
t = τρέχουσα χρονική περίοδος
✓Υποθέτει ότι η προβλεπόμενη τιμή για την προσεχή περίοδο
ισούται με την πραγματική τιμή της παρούσας περιόδου –
ενδείκνυται για τα μοτίβα στασιμότητας.
✓Για παράδειγμα, εάν οι πωλήσεις σας ήταν 500 μονάδες τον
Ιανουάριο, η αφελής μέθοδος θα προέβλεπε 500 μονάδες για τον
Φεβρουάριο. Δηλαδή, στην απλοϊκή μέθοδο θεωρούμε ότι υπάρχει
μικρή αλλαγή από περίοδο σε περίοδο.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 2
Παράδειγμα 1 – πρόβλεψη με την απλοϊκή μέθοδο
Ένα εστιατόριο προβλέπει τις μερίδες κοτόπουλου που θα απαιτηθούν για το μήνα
Απρίλιο. Οι συνολικές πωλήσεις μερίδων κοτόπουλου για το Μάρτιο ήταν 320.
Εάν η διοίκηση χρησιμοποιεί την αφελή μέθοδο για να κάνει προβλέψεις, ποια
είναι η πρόβλεψή τους για τις μερίδες κοτόπουλου για το μήνα Απρίλιο;
Λύση: Με βάση την απλοϊκή μέθοδο έχουμε:
Ft+1 = At  FΑπριλίου = A Μαρτίου = 320 μερίδες
Συμπεράσματα-παρατηρήσεις:
✓ Η απλοϊκή μέθοδος μπορεί να τροποποιηθεί για να ληφθεί υπόψη η τάση. Αν
δούμε ότι έχουμε αυξητική τάση κατά 10 τοις εκατό και οι πωλήσεις της
τρέχουσας περιόδου είναι 100 μονάδες, μέσω της απλοϊκής μεθόδου,
προσαρμοσμένης της τάσης, θα μας δώσει την τρέχουσα περίοδο πωλήσεις συν
10 τοις εκατό, που είναι μια πρόβλεψη 110 μονάδων για την επόμενη περίοδο.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 3
 Παράδειγμα 1 – πρόβλεψη με την απλοϊκή μέθοδο
Συμπεράσματα-παρατηρήσεις:
✓ Η απλοϊκή μέθοδος μπορεί επίσης να χρησιμοποιηθεί για δεδομένα που
παρουσιάζουν εποχικότητα. Για παράδειγμα, ας υποθέσουμε ότι έχουμε μηνιαία
εποχικότητα και γνωρίζουμε ότι οι πωλήσεις για τον περασμένο Ιανουάριο ήταν 230
μονάδες, χρησιμοποιώντας την αφελή μέθοδο, θα προβλέψουμε πωλήσεις 230
μονάδων για τον επόμενο Ιανουάριο.
✓ Βασικό πλεονέκτημα της απλοϊκής μεθόδου είναι ότι είναι πολύ απλή. Λειτουργεί
καλά όταν υπάρχει μικρή διακύμανση από τη μία περίοδο στην άλλη. Τις
περισσότερες φορές χρησιμοποιούμε αυτή τη μέθοδο για να αξιολογήσουμε τις
προβλεπόμενες επιδόσεις άλλων, πιο περίπλοκων μοντέλων πρόβλεψης.
✓ Επειδή η απλοϊκή μέθοδος είναι απλή στην εφαρμογή της, κάθε αναλυτής απαιτεί οι
προβλέψεις που πραγματοποιούνται με εναλλακτικές μεθόδους να είναι ακριβέστερες.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 4

 Πρόβλεψη στάσιμων χρονοσειρών
• Μέθοδος απλού μέσου όρου (simple mean or average):

Ft+1 =  A t / n
Ft+1 = πρόβλεψη για την επόμενη περίοδο, t + 1
Α t = πραγματική τιμή για την τρέχουσα περίοδο,
t = τρέχουσα χρονική περίοδος
n = ο αριθμός των περιόδων ή των στοιχείων επί
των οποίων θα υπολογιστεί ο μέσος όρος
✓Ο μέσος όλων των διαθέσιμων δεδομένων – ενδείκνυται για τα
μοτίβα στασιμότητας.
✓Εδώ η πρόβλεψη γίνεται με την απλή λήψη ενός μέσου όρου
όλων των δεδομένων.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 5
Παράδειγμα 2 – πρόβλεψη με την μέθοδο του
απλού μέσου
Η Εταιρεία TOOLS4ALL επιθυμεί να Χρονική Περίοδος Πραγματικές Πρόβλεψη
πραγματοποιήσει προβλέψεις πωλήσεων για το (σε εβδομάδες) Πωλήσεις

κλασικό προϊόν της, multikey. Οι πωλήσεις

αναφορικά με το συγκεκριμένο προϊόν 1 51
2 53
παρουσιάζουν σταθερότητα και η εταιρεία
χρησιμοποιεί τη μέθοδο του απλού μέσου για να 3 48
κάνει προβλέψεις. Οι εβδομαδιαίες πωλήσεις 4 52
τις τελευταίες πέντε εβδομάδες είναι διαθέσιμες
στο διπλανό πίνακα. Χρησιμοποιήστε τον μέσο 5 50
όρο για να κάνετε μια πρόβλεψη για τις 6 — 50.8
αναμενόμενες πωλήσεις της έκτης εβδομάδας.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 6
 Παράδειγμα 2 – πρόβλεψη με την μέθοδο του
απλού μέσου
Λύση: Με βάση τη μέθοδο του απλού μέσου έχουμε:
ΣAt 51 + 53 + 48 + 52 + 50
Ft+1 =  F6 = = 50.8 multikeys
n 5
Συμπεράσματα-παρατηρήσεις:
✓ Αυτό το μοντέλο είναι αποτελεσματικό για δεδομένα που εμφανίζουν στασιμότητα.
✓ Όσο αυξάνει ο όγκος των δεδομένων επί των οποίων υπολογίζεται ο μέσος όρος τόσο
μεγαλύτερη σταθερότητα παρουσιάζει η τυχαία διακύμανση και η πρόβλεψη.
✓ Ένα από τα πλεονεκτήματα αυτού του μοντέλου είναι ότι χρειάζεται να συγκρατήσουμε
μόνο τον μέσο όρο και τον αριθμό των παρατηρήσεων στις οποίες υπολογίστηκε.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 7

 Πρόβλεψη στάσιμων χρονοσειρών
• Μέθοδος απλού κινητού μέσου όρου(simple moving average):

∑𝐀 𝐭 𝐀 𝐭 + 𝐀 𝐭−𝟏 + ⋯ + 𝐀 𝐭−𝐧+𝟏
𝐅𝐭+𝟏 = =
𝑛 𝑛

Ft+1 = πρόβλεψη για την επόμενη περίοδο, t + 1

Α t = πραγματική τιμή για την τρέχουσα περίοδο,
t = τρέχουσα χρονική περίοδος
n = ο αριθμός των περιόδων ή των στοιχείων επί
των οποίων θα υπολογιστεί ο μέσος όρος

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 8

 Πρόβλεψη στάσιμων χρονοσειρών
✓Ο απλός κινητός μέσος όρος (SMA) είναι παρόμοιος με τον απλό μέσο όρο, εκτός
από το ότι δεν λαμβάνουμε κατά μέσο όρο όλα τα δεδομένα, αλλά
συμπεριλαμβάνουμε μόνο τα δεδομένα των n πιο πρόσφατων περιόδων.
✓Καθώς νέα δεδομένα καθίστανται διαθέσιμα, τα παλαιότερα αποδεσμεύονται.
✓Ο αριθμός των παρατηρήσεων που χρησιμοποιούνται για τον υπολογισμό του μέσου
όρου διατηρείται σταθερός. Με αυτόν τον τρόπο, ο απλός κινητός μέσος όρος
«κινείται» στο χρόνο.
✓Όπως και ο απλός μέσος όρος, αυτό το μοντέλο είναι καλό μόνο για την πρόβλεψη
στάσιμων δεδομένων.
✓Είναι ο μέσος όρος των πιο πρόσφατων παρατηρήσεων. Για παράδειγμα, εάν
χρησιμοποιούσαμε κινητό μέσο όρο για n = 5, θα χρησιμοποιούσαμε κινητό μέσο όρο
βασισμένοι στις πιο πρόσφατες πέντε περιόδους.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 9

Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)
Μια επιχείρηση ακολουθεί τη χρήση του Μήνας Πραγματικές Πρόβλεψη
Πωλήσεις
κινητού μέσου όρου τριών περιόδων για την
Δεκέμβριος 220
εκτίμηση των πωλήσεων ενός προϊόντος.
Ιανουάριος 200
Α) Λαμβάνοντας υπόψη τα στοιχεία πωλήσεων
Φεβρουάριος 300
του διπλανού πίνακα, να κάνετε μια πρόβλεψη
για τον μήνα Απρίλιο. Μάρτιος 200
Απρίλιος 233.3

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 10

 Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)
Α) Λύση: Με βάση τη μέθοδο του κινητού μέσου όρου (τριών περιόδων) έχουμε:

ΣAt Α  . +   . +   . 200 + 300 + 200

Ft+1 =  F . = = = 233.3
n 3 3
Β) Στον ακόλουθο πίνακα δίνονται οι πραγματικές πωλήσεις για τους μήνες
Ιανουάριο – Αύγουστο. Να χρησιμοποιήσετε πρόβλεψη κινητού μέσου όρου
τριών περιόδων για τους μήνες Απρίλιο – Σεπτέμβριο. Τι συμπεράσματα βγάζετε
από τα αποτελέσματα;

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 11

Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 12

 Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)
Β) Λύση: Με βάση τη μέθοδο του απλού κινητού μέσου όρου (τριών περιόδων)
έχουμε:
Α  . +   . +  ά . 200 + 300 + 200
F . = = = 233.3
3 3
  . +  ά . + Α  . 300 + 200 + 300
Fά = = = 266.9
3 3
 ά  . + Α  . +  ά 200 + 300 + 400
Fύ . = = = 300
3 3
Α  . +  ά +  ύ . 300 + 400 + 500
Fύ . = = = 400
3 3
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 13
Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)
 ά +  ύ . + Α ύ . 400 + 500 + 600
F . = = = 500
3 3
 ύ . + Α ύ . +   . 500 + 600 + 650
F . = = = 583.3
3 3

Στον ακόλουθο πίνακα συγκεντρώνουμε τα αποτελέσματα των παραπάνω

υπολογισμών με σκοπό να αναλύσουμε τα αποτελέσματα των προβλέψεων της
μεθόδου του απλού κινητού μέσου.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 14

 Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)
✓ Αναφέραμε ήδη ότι ο κινητός μέσος όρος είναι
Μήνας Πραγματικές Πρόβλεψη
αποτελεσματικός μόνο όταν τα δεδομένα Πωλήσεις
παρουσιάζουν στασιμότητα. Ιανουάριος 200 —
✓ Παρατηρούμε ότι τα δεδομένα μας παρουσιάζουν Φεβρουάριος 300 —
στασιμότητα στις 4 πρώτες περιόδους, όμως, στη Μάρτιος 200 —
συνέχεια διαπιστώνουμε αυξητική τάση. Απρίλιος 300 233.3
✓ Η ίδια αυξητική τάση παρατηρείτε και στις
Μάιος 400 266.9
αντίστοιχες προβλέψεις.
Ιούνιος 500 300.0
✓ Σε κάθε περίπτωση, όμως, οι προβλέψεις
Ιούλιος 600 400.0
υπολείπονται των πραγματικών πωλήσεων,
Αύγουστος 650 500.0
παρουσιάζουν δηλαδή μια υστέρηση (lagging)
Σεπτέμβριος — 583.3
αναφορικά με τα πραγματικά δεδομένα.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 15
 Παράδειγμα 3 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (τριών περιόδων)
✓ Αυτό συμβαίνει διότι πραγματοποιούμε προβλέψεις σε δεδομένα που παρουσιάζουν
τάση, χρησιμοποιώντας μεθόδους αποτελεσματικές μόνο σε δεδομένα που
παρουσιάζουν στασιμότητα.
✓ Συνολικά έχουμε ότι,
▪ Για τις 4 πρώτες περιόδους (που εμφανίζεται στασιμότητα στα
δεδομένα) η πρόβλεψη για τον μήνα Απρίλιο θα μπορούσε να
θεωρηθεί ικανοποιητική.
▪ Για τους υπόλοιπους μήνες (Μάϊο – Σεπτέμβριο) οι προβλέψεις
που πραγματοποιούνται δεν είναι ακριβείς.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 16

Παράδειγμα 4 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (πέντε περιόδων)
Χρησιμοποιώντας τα δεδομένα του Παραδείγματος
3 (βλέπε διπλανό πίνακα), και μοντέλο απλού
κινητού μέσου πέντε περιόδων, να κάνετε
προβλέψεις για τους μήνες Ιούνιο, Ιούλιο,
Αύγουστο και Σεπτέμβριο.
Τι συμπεράσματα βγάζετε από τα αποτελέσματα;

Λύση: Με βάση τη μέθοδο του απλού κινητού μέσου

όρου (πέντε περιόδων) έχουμε:

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 17

 Παράδειγμα 4 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (πέντε περιόδων)
  . +   . +  ά . + Α  . +  ά 200 + 300 + 200 + 300 + 400
Fύ . = = = 280
5 5
  . +  ά  . + Α  . +  ά +  ύ . 300 + 200 + 300 + 400 + 500
Fύ . = = = 340
5 5
 ά  . +   . +  ά +  ύ . + Α ύ . 200 + 300 + 400 + 500 + 600
F . = = = 400
5 5
  . +  άϊ +  ύ . + Α ύ . +   . 300 + 400 + 500 + 600 + 650
F . = = = 490
5 5

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 18

 Παράδειγμα 4 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (πέντε περιόδων)
Στον διπλανό πίνακα συγκεντρώνουμε τα αποτελέσματα των παραπάνω υπολογισμών με
σκοπό να αναλύσουμε τα αποτελέσματα των προβλέψεων της μεθόδου του απλού κινητού
μέσου των πέντε περιόδων.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 19

 Παράδειγμα 4 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (πέντε περιόδων)
✓ Συγκρίνοντας τις προβλέψεις τριών και πέντε
περιόδων (βλέπε διάγραμμα), παρατηρούμε
ότι οι προβλέψεις τριών περιόδων ακολουθούν
πιστότερα τις μεταβολές των πραγματικών
δεδομένων, από περίοδο σε περίοδο.
✓ Παρατηρούμε λοιπόν ότι, όσο μικρότερος είναι
ο αριθμός των παρατηρήσεων στον
υπολογισμό του απλού κινητού μέσου, τόσο
μεγαλύτερος είναι ο βαθμός ανταπόκρισης της
πρόβλεψης στις μεταβολές της ζήτησης.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 20

 Παράδειγμα 4 – πρόβλεψη με την μέθοδο του
απλού κινητού μέσου (πέντε περιόδων)
✓ Ωστόσο, στη συγκεκριμένη περίπτωση, η πρόβλεψη είναι περισσότερο ευάλωτη στις
τυχαίες μεταβολές των δεδομένων.
✓ Εάν τα δεδομένα περιέχουν μεγάλο βαθμό τυχαιότητας, τότε υψηλός βαθμός
ανταπόκρισης θα μπορούσε να οδηγήσει σε μεγαλύτερα σφάλματα.
✓ Από την άλλη πλευρά, όσο μεγαλύτερος είναι ο αριθμός των παρατηρήσεων στον
κινητό μέσο όρο, τόσο μειώνεται ο βαθμός ανταπόκρισης της πρόβλεψης στις μεταβολές
της ζήτησης, και τόσο λιγότερο επηρεάζεται από τις τυχαίες μεταβολές της ζήτησης.
Συνεπώς, αυξημένος αριθμός παρατηρήσεων οδηγεί σε μεγαλύτερη σταθερότητα.
✓ Άρα δεν μπορούμε να έχουμε μια σαφή εικόνα για το αν είναι καλύτερο να
χρησιμοποιούμε περισσότερες ή λιγότερες παρατηρήσεις στον απλό κινητό μέσο όρο.
✓ Συνολικά έχουμε ότι, η επιλογή του αριθμού των παρατηρήσεων στον απλό κινητό
μέσο όρο θα πρέπει να βασίζεται στα ιδιαίτερα χαρακτηριστικά των δεδομένων.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 21
 Πρόβλεψη στάσιμων χρονοσειρών
• Μέθοδος σταθμισμένου κινητού μέσου όρου (weighted moving average):
✓Είναι η μέθοδος στην οποία χρησιμοποιείται ο μέσος όρος των “n” πιο
πρόσφατων παρατηρήσεων, ενώ υπάρχει η δυνατότητα διαφορετικών
σταθμίσεων σε προγενέστερες παρατηρήσεις.

✓Σε ορισμένες περιπτώσεις οι αναλυτές επιθυμούν να χρησιμοποιήσουν τη

μέθοδο του κινητού μέσου όρου δίνοντας διαφορετικές σταθμίσεις σε κάποιες
παρατηρήσεις, βασισμένοι στην εμπειρία τους για τον εξεταζόμενο κλάδο.
Αυτή η μέθοδος ονομάζεται σταθμισμένος κινητός μέσος όρος. Σε έναν
σταθμισμένο κινητό μέσο όρο, κάθε παρατήρηση μπορεί να σταθμιστεί
διαφορετικά, υπό την προϋπόθεση ότι όλα τα βάρη (σταθμίσεις) αθροίζουν
στο 100% ή στο 1.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 22

 Πρόβλεψη στάσιμων χρονοσειρών
• Μέθοδος σταθμισμένου κινητού μέσου όρου:
𝑭𝒕+𝟏 = 𝑪𝒕 𝑨𝒕 + 𝑪𝒕−𝟏 𝑨𝒕−𝟏 +. . . +𝑪𝒕−𝒏+𝟏 𝑨𝒕−𝒏+𝟏

Ft+1 = πρόβλεψη για την επόμενη περίοδο, t + 1

𝜜𝒕 = πραγματική τιμή για την τρέχουσα περίοδο,
𝑪𝒕 = η στάθμιση που αποδίδεται στην πραγματική τιμή
για την τρέχουσα περίοδο t και ෍ 𝑪𝒊 = 𝟏,

𝒕 = τρέχουσα χρονική περίοδος

n = ο αριθμός των περιόδων ή των στοιχείων επί
των οποίων θα υπολογιστεί ο μέσος όρος

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 23

 Πρόβλεψη στάσιμων χρονοσειρών
• Συνολικά, η μέθοδος του σταθμισμένου κινητού μέσου όρου:
✓Μπορεί να δίνει έμφαση σε μία περίοδο έναντι άλλων.
✓Διαφέρει από τη μέθοδο του απλού κινητού μέσου η οποία
ισοσταθμίζει όλες τις περιόδους.
✓Έχει νόημα να χρησιμοποιηθεί όταν θέλουμε να δώσουμε
διαφορετικές σταθμίσεις σε κάποιες παρατηρήσεις, βασισμένοι
στην εμπειρία μας ή σε πληροφορίες που σχετίζονται με τον
εξεταζόμενο κλάδο.
✓Όπως στον απλό κινητό μέσο χρησιμοποιούμε τις “n” πιο
πρόσφατες παρατηρήσεις.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 24

Παράδειγμα 5 – πρόβλεψη με την μέθοδο του
σταθμισμένου κινητού μέσου
Ένας διευθυντής πολυκαταστήματος θέλει να Μήνας Πραγματικές Πρόβλεψη
Πωλήσεις
προβλέψει τις πωλήσεις μαγιό για τον μήνα
Μάϊος 400
Αύγουστο χρησιμοποιώντας το μοντέλο του
Ιούνιος 500
σταθμισμένου κινητού μέσου όρου τριών
Ιούλιος 600
περιόδων. Οι πωλήσεις για τους μήνες Μάιο,
Ιούνιο και Ιούλιο παρουσιάζονται στον διπλανό Αύγουστος 525

πίνακα. Ο διευθυντής αποφάσισε να καθορίσει

στάθμιση 0.25 για τον Μάϊο, 0.25 για τον Ιούνιο
και 0.5 για τον Ιούλιο.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 25

Παράδειγμα 5 – πρόβλεψη με την μέθοδο του
σταθμισμένου κινητού μέσου
Λύση: Η πρόβλεψη αναφορικά με τον Αύγουστο υπολογίζεται από τον παρακάτω τύπο:

F . =    άϊ + 0.25*  ύ . + 0.5* Α ύ . =

0.25* 400 + 0.25*500 + 0.5*600 = 525

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 26

 Πρόβλεψη στάσιμων χρονοσειρών
• Μέθοδος εκθετικής εξομάλυνσης (exponential smoothing):
Το μοντέλο εκθετικής εξομάλυνσης είναι ένα μοντέλο που χρησιμοποιεί μια
εξελιγμένη μορφή σταθμισμένου μέσου όρου για να επιτύχει μια πρόβλεψη.
✓Παρόλο που είναι εξελιγμένο στον τρόπο που λειτουργεί, είναι εύκολο στη
χρήση και την κατανόηση.
✓Είναι μια ευρύτατα χρησιμοποιούμενη μέθοδος χρονοσειρών λόγω της
εύκολης χρήσης της και του ελάχιστου όγκου δεδομένων που απαιτούνται.
✓Για να κάνουμε μια πρόβλεψη για την επόμενη χρονική περίοδο, χρειαζόμαστε
τρεις πληροφορίες:
▪ Πρόβλεψη πρόσφατης (τρέχουσας) περιόδου (Ft)
▪ Πραγματική τιμή της πρόσφατης (τρέχουσας) περιόδου (At)
▪ Επιλογή τιμής του συντελεστή εξομάλυνσης (α), με 0  α  1
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 27
 Πρόβλεψη στάσιμων χρονοσειρών
• Μέθοδος εκθετικής εξομάλυνσης:
Ft+1 = αA t + (1 - α ) Ft
Ft+1 = πρόβλεψη για την προσεχή (επόμενη) περίοδο, t + 1
Α t = πραγματική τιμή για την τρέχουσα περίοδο, 
Ft = πρόβλεψη για την τρέχουσα περίοδο, t
α = συντελεστής εξομάλυνσης (smoothing coefficient) (0  α  1)
t = τρέχουσα χρονική περίοδος
Εάν δεν υπάρχει καμία διαθέσιμη πρόβλεψη τρέχουσας περιόδου,
υπολογίστε τον μέσο όρο μερικών από τις πρόσφατες περιόδους ή
χρησιμοποιήστε την απλοϊκή μέθοδο.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 28
 Πρόβλεψη στάσιμων χρονοσειρών
• Συνολικά, τα μοντέλα εκθετικής εξομάλυνσης:
✓ Είναι οι πιο συχνά χρησιμοποιούμενες τεχνικές πρόβλεψης και είναι
διαθέσιμα μέσω των περισσότερων λογισμικών πραγματοποίησης
προβλέψεων.
✓ Χρησιμοποιούνται ευρέως, ιδιαίτερα στο πλαίσιο της διοίκησης
λειτουργιών.
✓ Έχουν αποδειχθεί ότι παράγουν ακριβείς προβλέψεις σε πλήθος
περιπτώσεων και είναι σχετικά εύκολα στη χρήση και την κατανόησή τους.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 29

 Πρόβλεψη στάσιμων χρονοσειρών
• Επιλογή συντελεστή εξομάλυνσης (α):
✓Ανάλογα με την τιμή που επιλέγουμε για το α, δίνουμε μεγαλύτερη βαρύτητα
στην πραγματική τιμή της τρέχουσας περιόδου ή στην πρόβλεψη της
τρέχουσας περιόδου. Με τον τρόπο αυτό, η πρόβλεψη μπορεί να εξαρτάται
σε μεγαλύτερο βαθμό είτε από το τι συνέβη πιο πρόσφατα είτε από τις
προβλέψεις της τρέχουσας περιόδου.
✓Χαμηλές τιμές του α (0.1, 0.2) δίνουν ικανοποιητικές προβλέψεις διότι το
μοντέλο δεν δίνει βαρύτητα στην πραγματική ζήτηση της τρέχουσας
περιόδου.
✓Υψηλές τιμές του α (0.7, 0.8) τοποθετούν υψηλή βαρύτητα στην πραγματική
ζήτηση της τρέχουσας περιόδου συνεπώς η πρόβλεψη μπορεί να επηρεαστεί
εντονότερα από τυχαίες διακυμάνσεις στα δεδομένα.
✓Έτσι, ο τρόπος επιλογής του συντελεστή εξομάλυνσης α είναι πολύ
σημαντικός για τη λήψη μιας καλής πρόβλεψης.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 30

Παράδειγμα 6 – πρόβλεψη με την μέθοδο της
εκθετικής εξομάλυνσης
Ένα μεξικάνικο εστιατόριο χρησιμοποιεί εκθετική εξομάλυνση για να προβλέψει τη
μηνιαία χρήση της σάλτσας tabasco. Η πρόβλεψή του για τον μήνα Σεπτέμβριο ήταν
200 φιάλες, ενώ η πραγματική χρήση για τον μήνα Σεπτέμβριο ήταν 300 φιάλες.
Εάν οι διευθυντές του εστιατορίου χρησιμοποιούν συντελεστή εξομάλυνσης α=0.7,
ποια θα είναι η πρόβλεψή τους για τον μήνα Οκτώβριο;
Λύση: Στο συγκεκριμένο πρόβλημα μας έχουν δοθεί τα τρία στοιχεία που απαιτούνται
για να κάνουμε πρόβλεψη με τη μέθοδο της εκθετικής εξομάλυνσης, δηλαδή:
i) η πρόβλεψη της τρέχουσας περιόδου Ft = 200 μπουκάλια,
ii) η πραγματική τιμή της τρέχουσας περιόδου  t = 300 μπουκάλια, και
iii) Ο συντελεστής εξομάλυνσης α=0.7.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 31

Παράδειγμα 6 – πρόβλεψη με την μέθοδο της
εκθετικής εξομάλυνσης
Από την εξίσωση της εκθετικής εξομάλυνσης έχουμε:

Ft+1 =αA t +(1-α)Ft 

FΟκτ. =αΑ Σεπ. +(1-α)FΣεπ. 
FΟκτ. =0.7*300+0.3*200 
FΟκτ. = 270 μπουκάλια.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 32

Παράδειγμα 7 – πρόβλεψη με την μέθοδο της
εκθετικής εξομάλυνσης όταν δεν είναι διαθέσιμη η
πρόβλεψη της τρέχουσας περιόδου
Σε αυτό το παράδειγμα, παρουσιάζουμε δύο σειρές προβλέψεων, σύμφωνα με τα
ακόλουθα δεδομένα, προκειμένου να καταστούν σαφείς οι διαφορές μεταξύ
διαφορετικών τιμών του συντελεστή εξομάλυνσης α. Επιπλέον, επειδή δεν είναι
διαθέσιμη η τιμή της πρόβλεψης για την τρέχουσα περίοδο, εκκινούμε τη διαδικασία
της εκθετικής εξομάλυνσης με τη βοήθεια της απλοϊκής μεθόδου. Έτσι, στην 2η
περίοδο χρησιμοποιούμε την τιμή 50 ως πρόβλεψη της τρέχουσας περιόδου.

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 33

Παράδειγμα 7 Πρόβλεψη Εκθετικής Εξομάλυνσης

Χρονική περίοδος (𝒕) Πραγματική ζήτηση 𝜶 = 𝟎. 𝟏𝟎 𝜶 = 𝟎. 𝟔𝟎

1 50 − −
2 46 50 50
3 52 49.60 47.60
4 51 49.84 50.24
5 48 49.96 50.70

6 45 49.77 49.08
7 52 49.29 46.63
8 46 49.56 49.85
9 51 49.20 47.54
10 48 49.38 49.62

Ft+1 =αA t +(1-α)Ft =0.1*46+(1-0.1)*50=49.6 Ft+1 =αA t +(1-α)Ft =0.6*46+(1-0.6)*50=47.6

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 34
 Παράδειγμα 7
Από το γράφημα παρατηρούμε ότι οι προβλέψεις με χαμηλότερη τιμή συντελεστή
εξομάλυνσης (α = 0.1), έχουν μικρότερη διακύμανση (μεγαλύτερη σταθερότητα) από
εκείνες με την υψηλότερη τιμή συντελεστή εξομάλυνσης (α = 0.6).

Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 35

Γενικά συμπεράσματα:
Ας δούμε κάποια συμπεράσματα πάνω στα ποσοτικά μοντέλα που χρησιμοποιούνται
για την πραγματοποίηση προβλέψεων σε δεδομένα που παρουσιάζουν στασιμότητα:

✓ Για την πραγματοποίηση ικανοποιητικών προβλέψεων, το μοντέλο που θα

επιλεχθεί θα πρέπει να είναι συμβατό με τα διαθέσιμα δεδομένα.
✓ Το παράδειγμα 3 που εξετάστηκε ως προς τον κινητό μέσο όρο καταδεικνύει τις
συνέπειες χρησιμοποίησης ενός μοντέλου κατάλληλου για δεδομένα που
παρουσιάζουν στασιμότητα σε δεδομένα που παρουσιάζουν τάση.
✓ Όλα τα ποσοτικά μοντέλα που παρουσιάσαμε μέχρι στιγμής χρησιμοποιούνται
για την πραγματοποίηση προβλέψεων σε δεδομένα που παρουσιάζουν
στασιμότητα και δεν είναι κατάλληλα για διαφορετικά μοτίβα όπως είναι η τάση
και η εποχικότητα.
✓ Σε κάθε περίπτωση, τα προαναφερθέντα μοντέλα αποτελούν τη βάση της
πραγματοποίησης προβλέψεων.
Βασίλειος Ν. Κατσίκης Αναπληρωτής Καθηγητής ΤΟΕ ΕΚΠΑ 36