0.1 Dự báo  (Page 5/8)

Kết quả bài toán:

 Chúng ta ước lượng dự báo bắt đầu vào tháng 1 bằng dự báo sơ bộ, tức là bằng số liệu thực tế.Ta có: FT1 = A1 = 130

 Chúng ta ước lượng phần tử xu hướng bắt đầu. Phương pháp để ước lượng phần tử xu hướng là lấy số liệu thực tế của tháng cuối cùng trừ số liệu thực tế tháng đầu tiên, sau đó chia cho số giai đoạn trong kỳ đang xét.

$T_1=\frac{A_6-A_1}{5}=\frac{\text{150}-\text{130}}{5}=4$

 Sử dụng dự báo sơ bộ và phần tử xu hướng bắt đầu để tính dự báo doanh số bán ra trong từng tháng cho đến tháng thứ 7.

Dự báo theo xu hướng cho tháng thứ 2:FT2 = S1 + T1

S1 = FT1 +  (A1 - FT1 ) = 130 + 0,2( 130 - 130 ) = 130

T1 = 4

 FT2 = 130 + 4 = 134

Dự báo theo xu hướng cho tháng thứ 3: FT3 = S2 + T2

S2 = FT2 +  (A2 - FT2 ) = 134 + 0,2( 136 - 134 ) = 134,4

T2 = T1 + (FT2 - FT1 - T1 ) = 4 + 0,3 (134 - 130 - 4) = 4

 FT3 = S2 + T2 = 134,4 + 4 = 138,4

Dự báo tương tự cho các tháng 4, 5, 6, 7 ta được bảng sau:

Dự báo dài hạn.

Dự báo dài hạn là ước lượng tương lai trong thời gian dài, thường hơn một năm. Dự báo dài hạn rất cần thiết trong quản trị sản xuất để trợ giúp các quyết định chiến lược về hoạch định sản phẩm, quy trình công nghệ và các phương tiện sản xuất. Ví dụ như:

 Thiết kế sản phẩm mới.

 Xác định năng lực sản xuất cần thiết là bao nhiêu ? Máy móc, thiết bị nào cần sử dụng và chúng được đặt ở đâu ?

 Lên lịch trình cho những nhà cung ứng theo các hợp đồng cung cấp nguyên vật liệu dài hạn.

Dự báo dài hạn có thể được xây dựng bằng cách vẽ một đường thẳng đi xuyên qua các số liệu quá khứ và kéo dài nó đến tương lai. Dự báo trong giai đoạn kế tiếp có thể được vẽ vượt ra khỏi đồ thị thông thường. Phương pháp tiếp cận theo kiểu đồ thị đối với dự báo dài hạn có thể dùng trong thực tế, nhưng điểm không thuận lợi của nó là vấn đề vẽ một đường tương ứng hợp lý nhất đi qua các số liệu quá khứ này.

Doanh số Thời gian Đường xu hướng

Phân tích hồi qui sẽ cung cấp cho chúng ta một phương pháp làm việc chính xác để xây dựng đường dự báo theo xu hướng.

 Phương pháp hồi qui tuyến tính.

Phân tích hồi qui tuyến tính là một mô hình dự báo thiết lập mối quan hệ giữa biến phụ thuộc với hai hay nhiều biến độc lập. Trong phần này, chúng ta chỉ xét đến một biến độc lập duy nhất. Nếu số liệu là một chuỗi theo thời gian thì biến độc lập là giai đoạn thời gian và biến phụ thuộc thông thường là doanh số bán ra hay bất kỳ chỉ tiêu nào khác mà ta muốn dự báo.

Mô hình này có công thức:Y = ax + b

$a=\frac{n\sum xy-\sum x\sum y}{n\sum x^2-(\sum x{)}^2}$ ; $b=\frac{\sum x^2\sum y-\sum x\sum \text{xy}}{n\sum x^2-(\sum x{)}^2}$

Trong đó : y - Biến phụ thuộc cần dự báo.

x - Biến độc lập

a - Độ dốc của đường xu hướng

b - Tung độ gốc

n - Số lượng quan sát

Trong trường hợp biến độc lập x được trình bày thông qua từng giai đoạn theo thời gian và chúng phải cách đều nhau ( như : 2002, 2003, 2004...) thì ta có thể điều chỉnh lại để sao cho x = 0 . Vì vậy việc tính toán sẽ trở nên đơn giản và dễ dàng hơn nhiều.