Transcript of LES ERREURS DE PRÉVISION e t = X t - P t X1X2X3X4 X5 X6…X1X2X3X4 X5 X6…X1X2X3X4 X5...
- Page 1
- LES ERREURS DE PRVISION e t = X t - P t X1X2X3X4 X5 X6X1X2X3X4
X5 X6X1X2X3X4 X5 X6X1X2X3X4 X5 X6 P5P6P5P6P5P6P5P6
e5e6e5e6e5e6e5e6
- Page 2
- LES ERREURS DE PRVISION: UNE SOURCE DINFORMATION UTILE Pour
lajustement des mthodes de prvision et de leurs paramtresPour
lajustement des mthodes de prvision et de leurs paramtres Pour
lvaluation des prvisionsPour lvaluation des prvisions Pour
lestimation de lcart-type de la demandePour lestimation de
lcart-type de la demande Pour la dtermination du stock de
scuritPour la dtermination du stock de scurit Pour les intervalles
de confiance sur les prvisionsPour les intervalles de confiance sur
les prvisions
- Page 3
- EM, EMA ET EMA t Mesure du biais Mesure de la distance
(amplitude) moyenne entre une prvision et la demande relle de la
priode correspondante
- Page 4
- PRVISIONS NON BIAISES Prvisions biaises Caractristiques des
prvisions non biaises - il ny a pas dallure distinctive dans les
erreurs de prvision les erreurs de prvision - les erreurs sont
centres 0 - il y a peu prs autant de termes derreurs positifs que
de ngatifs derreurs positifs que de ngatifs Termes derreur pour des
prvisions non biaises
- Page 5
- LE PMEA Une mesure relative
- Page 6
- EM, EMA, EMA t et PMEA: ex. 1.14 EM = -0,083 EMA = 4,07 PMEA =
5,15% = 0,2 = 0,2
- Page 7
- LE PMEA AJUST Une sous-estimation de la demande a un plus grand
impact quune surestimation quivalente Si P t = 50 Si P t = 200 X t
= 100
- Page 8
- LA STATISTIQUE U DE THEIL U = 1 U < 1 U > 1 Plus la
valeur de U est basse, mieux cest...
- Page 9
- LA STATISTIQUE U: ex. 1.16 U = 0,9248
- Page 10
- EMQ ET EMQ t Pour lestimation de lcart-type
- Page 11
- ESTIMATION DE LCART-TYPE Deux faons destimer lcart-type des
erreurs de prvision
- Page 12
- EMQ, EMQ t et ET: ex. 1.17 EMQ = 107,43 ET = 10,59 ET 24 =
10,16
- Page 13
- LE POURCENTAGE DE PRVISIONS RUSSIES r i = 1 si E est vrai et r
i = 0 si E est faux E : un vnement prdfini
- Page 14
- PPR: ex. 1.18 PPR = 62,5%
- Page 15
- LA DTERMINATION DE LA LONGUEUR DUN CYCLE SAISONNIER Par
inspection visuelle
- Page 16
- LONGUEUR DUN CYCLE SAISONNIER: LAUTOCORRLATION Corrlation entre
une srie dobservations et ces mmes observations dcales de k priodes
k: ordre de lautocorrlation -1 r k 1 r k = -1 ou r k =
1autocorrlation parfaite r k = 0autocorrlation nulle
- Page 17
- CYCLE DE LONGUEUR L Si les observations sont affectes par la
prsence dun cycle saisonnier, lautocorrlation dordre L sera, parmi
toutes les autres autocorrlations, la plus importante. Gnralement,
les autocorrlations d odre k=1, , 12 sont calcules puisque la
plupart du temps, la longueur des cycles saisonniers est dau plus
12 priodes.
- Page 18
- AUTOCORRLATION: ex. 1.19 -0,2669 rkrkrkrk
-0,3581-0,22160,6072
- Page 19
- GRAPHIQUE DES AUTOCORRLATIONS -0,2669 -0,3581 -0,2216
0,6072
- Page 20
- LA STATISTIQUE DE DURBIN- WATSON Pour sassurer que les erreurs
de prvision sont indpendantes La valeur de D-W doit tre prs de
2...
- Page 21
- TEST DE SIGNIFICATIVIT DE LA STATISTIQUE DE DURBIN-WATSON
Valeurs lues dans le tableau 1.33, p. 102 selon le nombre T de
termes derreur si d U < D-W < 4-d U, D-W nest pas
significativement diffrent de 2; si d U < D-W < 4-d U, D-W
nest pas significativement diffrent de 2; si D-W 4-d L, D-W est
significativement diffrent de 2; si D-W 4-d L, D-W est
significativement diffrent de 2; si d L < D-W < d U ou 4-d U
< D-W < 4-d L, on ne peut conclure. si d L < D-W < d U
ou 4-d U < D-W < 4-d L, on ne peut conclure.
- Page 22
- STATISTIQUE DE DURBIN- WATSON: ex. 1.20 D-W = 0,5319T = 16 d L
= ? d U = ? Conclusion: ?
- Page 23
- GRAPHIQUE DES ERREURS DE PRVISION: ex. 1.20 Les erreurs ne sont
pas centres 0 et elles ne sont pas distribues alatoirement
- Page 24
- SIGNAL DALERTE Pour la dtection dun changement dans la
structure des observations
- Page 25
- SIGNAL TS Valeur critique: TS * = 4 Si |TS t | > TS
*...
- Page 26
- SIGNAL DE TRIGG SA t = |E t / M t | E t = e t + (1- )E t-1 M t
= |e t | + (1- )M t-1 0 < < 1 LES adaptatif... La valeur de
SA t indique des erreurs de prvision non alatoires avec : une
probabilit de 95% si la valeur de SA t excde 0,51 pour une
constante de lissage =0,1; une probabilit de 95% si la valeur de SA
t excde 0,51 pour une constante de lissage =0,1; une probabilit de
95% si la valeur de SA t excde 0,74 pour une constante de lissage
=0,2 une probabilit de 95% si la valeur de SA t excde 0,74 pour une
constante de lissage =0,2
- Page 27
- SIGNAL DALERTE: ex. 1.21 Les signaux dtectent un changement de
structure
- Page 28
- CHANGEMENT DE STRUCTURE: GRAPHIQUE Augmentation du niveau moyen
de 20% partir de la priode 8
- Page 29
- SLECTION DUNE MTHODE DE PRVISION POUR UN PRODUIT SANS
HISTORIQUE Prvoir la demande des produits sans historique en se
basant uniquement sur des tudes de march;Prvoir la demande des
produits sans historique en se basant uniquement sur des tudes de
march; Utiliser, comme donnes historiques, une srie de consommation
dont le niveau moyen de la demande et son comportement sont
semblables;Utiliser, comme donnes historiques, une srie de
consommation dont le niveau moyen de la demande et son comportement
sont semblables; Demander aux vendeurs des produits concerns de
fournir leurs propres prvisions.Demander aux vendeurs des produits
concerns de fournir leurs propres prvisions.
- Page 30
- LIEN ENTRE LES ERREURS DE PRVISION ET LA DISTRIBUTION DE LA
DEMANDE La distribution des erreurs de prvision sert, sous
certaines conditions, estimer lcart-type de la demande des produits
correspondants: - prvisions non biaises; - erreurs de prvisions
distribues alatoirement autour de 0; - la meilleure mthode de
prvision possible a t utilise. Conditions:
- Page 31
- DISTRIBUTION DE LA DEMANDE ET = 1,25 EMA ou ET t = 1,25 EMA t
Forme de la distribution Fast movers Slow movers
NormalePoisson
- Page 32
- INTERVALLES DE CONFIANCE POUR LES PRVISIONS Cas o la
distribution des erreurs de prvision est connue: - distribution
Normale - distribution de Poisson Cas o la distribution des erreurs
de prvision est inconnue: - ingalit de Chebychev - ingalit de
Camp-Meidel Cas pour la rgression linaire - la valeur de la
variable indpendante a dj t observe t observe - la valeur de la
variable indpendante na jamais t observe t observe
- Page 33
- INTERVALLES DE CONFIANCE PARTIR DE LA DISTRIBUTION NORMALE P t
Z /2 X t P t + Z /2 P t Z /2 X t P t + Z /2 = ET = ET
- Page 34
- INTERVALLES DE CONFIANCE PARTIR DE LA DISTRIBUTION DE POISON
P(X t = x | ) = (e - x ) / x! P(X t x inf | ) 1 - /2 P(X t x sup |
) /2 x inf X t x sup
- Page 35
- INGALIT DE CHEBYCHEV
- Page 36
- INGALIT DE CAMP-MEIDEL
- Page 37
- INTERVALLES DE CONFIANCE: exemples... Intervalle 90%, EQM = 1
750 et P t = 400 Ingalit de Chebychev Ingalit de Camp-Meidel n =
12
- Page 38
- INTERVALLES DE CONFIANCE: exemples... Intervalle 90%, EQM = 1
750 et P t = 400 Distribution Normale n = 12
- Page 39
- INTERVALLES DE CONFIANCE: exemples... Slow mover avec = 10,
intervalle 90% ? Tableau, p. 227
- Page 40
- INTERVALLES POUR RGRESSION: VALEUR DE X DJ OBSERVE
- Page 41
- INTERVALLES POUR RGRESSION: VALEUR DE X JAMAIS OBSERVE
- Page 42
- INTERVALLES POUR RGRESSION: ex. 1.24a 1 425 Y 13 1 573
- Page 43
- INTERVALLES POUR RGRESSION: ex. 1.24b 1 305 Y 13 1 693