Gestion des stocks GPO-1004 Prévisions Hiver 2002

  • View
    106

  • Download
    4

Embed Size (px)

Transcript

  • Page 1
  • Gestion des stocks GPO-1004 Prvisions Hiver 2002
  • Page 2
  • Transposition des donnes
  • Page 3
  • Saisonnalit additive, pas de tendance Pr. 3 Pr. 4 Pr. 1 Pr. 2
  • Page 4
  • Une srie par priode cyclique Tracs horizontaux: pas de tendance Le dcalage entre les sries reprsente leffet saisonnier
  • Page 5
  • Prvoir chaque priode
  • Page 6
  • Lissage 3 paramtres ou dcomposition Sil ny a pas deffets multiplicatifs, il ny a pas de diffrence significative entre les deux mthodesSil ny a pas deffets multiplicatifs, il ny a pas de diffrence significative entre les deux mthodes Sil y a des effets multiplicatifs, la dcomposition peut savrer plus intressanteSil y a des effets multiplicatifs, la dcomposition peut savrer plus intressante
  • Page 7
  • Saisonnalit et tendance additive Les pentes sont positives et gales
  • Page 8
  • Transposition
  • Page 9
  • Une srie par priode cyclique Les pentes sont identiques: effet saisonnier additif Lcart entre les courbes: effet saisonnier
  • Page 10
  • Une srie par cycle Lcart entre les courbes reprsente la tendance
  • Page 11
  • Effet saisonnier multiplicatif Voir sries vin t.Voir sries vin t.
  • Page 12
  • Une srie par cycle Lcart entre les sries reprsente la tendance gnrale
  • Page 13
  • Une srie par priode cyclique Les pentes diffrentes indiquent la prsence dun effet multiplicatif dans la saisonnalit Lcart entre les sries reprsente leffet saisonnier
  • Page 14
  • A trend is a trend, but the question is: will it bend? (Alec Cairncross, 1969) Les 10 commandements du praticien myope Les 10 commandements du praticien myope Le pass est garant de lavenir Il faut trouver la meilleure mthode de prvision Plus nombreuses sont les donnes historiques utilises, meilleure sera la performance Les personnes directement impliques dans des activits requrant des prvisions fourniront les meilleures extrapolations Le choix de mthodes de prvision trs formalises mathmatiquement limine les risques derreurs de jugement
  • Page 15
  • Un modle Les 10 commandements du praticien myope (suite) Les 10 commandements du praticien myope (suite) Il est prfrable dutiliser des modles prenant en compte certains comportements possibles des donnes au cas o ils se manifesteraient Le modle de prvision a raison Les prvisions les plus prcises sont les meilleures Aux meilleurs des ajustements correspondent les meilleures prvisions Les modles complexes sont les meilleurs
  • Page 16
  • Attention au thorme de Poincar! Tout le monde a confiance aux thories; les thoriciens parce quils croient quelles sont le reflet de la ralit et les praticiens parce quils font confiance aux thoriciens.Tout le monde a confiance aux thories; les thoriciens parce quils croient quelles sont le reflet de la ralit et les praticiens parce quils font confiance aux thoriciens.
  • Page 17
  • La pondration a bien meilleur got! On peut combiner les rsultats de plusieurs mthodes pour gnrer des prvisionsOn peut combiner les rsultats de plusieurs mthodes pour gnrer des prvisions La pondration accorde chacun des modles nest pas obligatoirement 1/n si n modles sont considrsLa pondration accorde chacun des modles nest pas obligatoirement 1/n si n modles sont considrs
  • Page 18
  • Le lissage exponentiel trois paramtres comme modle gnral de LE
  • Page 19
  • Sil ny a pas deffet saisonnier = 0 et I i = 1 pour tous les i = 0 et I i = 1 pour tous les i On obtient alors:On obtient alors: S t = X t + (1- )(S t-1 + b t-1 )S t = X t + (1- )(S t-1 + b t-1 ) b t = (S t S t-1 ) + (1- )b t-1b t = (S t S t-1 ) + (1- )b t-1 P t+m = S t + b t mP t+m = S t + b t m Lissage exponentiel deux paramtres pour une tendanceLissage exponentiel deux paramtres pour une tendance
  • Page 20
  • Sil y a effet saisonnier mais pas de tendance = 0 et b 1 = 0 = 0 et b 1 = 0 On obtient alors:On obtient alors: S t = aX t /I t-L + (1-a)S t-1S t = aX t /I t-L + (1-a)S t-1 I t = bX t /S t + (1-b)I t-LI t = bX t /S t + (1-b)I t-L P t+m = S t I t-L+mP t+m = S t I t-L+m Lissage exponentiel deux paramtres pour saisonnalit
  • Page 21
  • Sil ny a ni effet saisonnier, ni tendance = 0, = 0, b 1 = 0 et I i = 1 pour tous les i = 0, = 0, b 1 = 0 et I i = 1 pour tous les i On obtient alors:On obtient alors: S t = X t + (1- )S t-1S t = X t + (1- )S t-1 P t+m = S tP t+m = S t Or, P t+m = P t+1 pour tous les m puisquil ny a pas de tendanceOr, P t+m = P t+1 pour tous les m puisquil ny a pas de tendance Donc, P t+1 = S t = X t + (1- )S t-1Donc, P t+1 = S t = X t + (1- )S t-1 Mais si P t+1 = S t, alors P t = S t-1Mais si P t+1 = S t, alors P t = S t-1 Donc, P t+1 = X t + (1- )P tDonc, P t+1 = X t + (1- )P t Et P t = X t-1 + (1- )P t-1Et P t = X t-1 + (1- )P t-1 Lissage exponentiel simpleLissage exponentiel simple