Bài giảng Thực hành Quản trị trên máy - Bài 4: Dự báo

Bài 4 trình bày một số nội dung cơ bản sau: Khái niệm và đặc trưng cơ bản của dự báo, phân loại các mô hình dự báo, một số mô hình dự báo thường dùng, đồ thị, công cụ Regression, lựa chọn mô hình dự báo,... Mời các bạn cùng tham khảo để biết thêm các nội dung chi tiết.

THỰC HÀNH QUẢN TRỊ TRÊN MÁY

DỰ BÁO

Bài 4:

Người đầu tiên dùng số liệu thống kê để dự báo?

“Lo lắng về nạn bệnh dịch, Henry VII đã hạ lệnh phải ghi chép

số người chết kể từ năm 1532 Cũng vào thời gian đó, tại Pháp, giới tăng lữ cũng buộc phải ghi chép về số lễ rửa tội, số đám tang

và số lễ kết hôn Trong thời kỳ bị dịch bệnh hoành hành vào cuối thế kỷ 16, chính phủ Anh bắt đầu phát hành số liệu thống kê hàng tuần về số người chết Đến năm 1632, Bills of Mortality cung cấp

số chết và số sinh theo giới đã ra đời

Năm 1662, Captain John Graunt sử dụng số liệu 30 năm của Bills of Mortality để dự báo số người sẽ chết bởi bệnh dịch, và dự báo tỉ lệ sinh đối với nam và nữ Graunt được coi là người tiên phong trong việc sử dụng số liệu thống kê để làm dự báo Với cống hiến của mình, ông được mời làm thành viên của Hàn Lâm Hoàng Gia Anh.”

• Mô hình chuỗi thời gian

Yt =f(Yt-1, Yt-2,…, Yt-n)

• Mô hình nhân quả Y=f(X1, X2, …, Xn)

4.1.2 Phân loại các mô hình dự báo

Phương pháp Delphi

Phương pháp dự báo định tính theo đó ý kiến của các chuyên gia được kết hợp trong một loạt số lần lặp lại Kết quả của mỗi lần lặp lại được sử dụng cho lần lặp tiếp theo để thu thập được ý kiến chung của các chuyên gia

Dự báo theo chuỗi thời gian (Time Series Models)

• Dựa vào các giá trị khảo sát trước đó

Đặc trưng chuỗi tuần tự theo thời gian

Dự báo theo mô hình nhân quả (Causal Models)

Dùng nguyên nhân (biến độc lập) để dự báo kết quả

(biến phụ thuộc)

Công cụ: Hồi quy (Regression Analysis)

• Y = a0 + a1X1 + a2X2+ … anXn

• Xác định ai  phương pháp bình phương tối thiểu

4.2.1 Các phương pháp đơn giản

Phương pháp đơn giản Ft = Dt–1

4.2.2 Bình quân di động – Moving Average

c Công cụ Moving Average

b Cách tính

• Dự báo = trung bình có trọng số của giá trị dự báo

và nhu cầu thực tế kỳ cuối

Moving Average vs Exponential Smoothing

cùng

4.2.4 Hồi quy đơn tuyến tính

Ví dụ: Dự báo nhu cầu bánh trung thu

y =  1.3x +  6.7

R 2  =  0.89

5 7 9 11 13 15 17 19 21 23 25

Hồi quy (Regression)

y=f(x1, x2, …, xn)

Nếu n = 1  hồi quy đơn biến; n > 1  hồi quy đa biến

Nếu f có dạng đường thẳng  hồi quy tuyến tính

Nếu f không có dạng thẳng  hồi quy phi tuyến

Hồi quy đơn tuyến tính:

Phân tích hồi quy là kỹ thuật dự báo dùng để thiết lập mối quan hệ giữa các lượng biến

“Chuồn chuồn bay thấp thì mưa

Bay cao thì nắng, bay vừa thì râm”

Hệ số tương quan (coefficient of correlation)

Hệ số tương quan (ký hiệu rxy) cho biết mức độ tương quan giữa 2 đại lượng x và y

Dấu của hệ số tương quan cho biết mối quan hệ giữa 2 đại lượng x, y là tương quan thuận hay nghịch:

r xy > 0 t ươ ng quan thu n ậ

r xy < 0 t ươ ng quan ngh ch ị  

|rxy| Mức độ tương quan

0.9 – 1 Gần như hoàn toàn

Bảng tham chiếu Hopkins

Hệ số tương quan nhận giá trị -1 ≤ rxy ≤ +1

M c  đ   tứ ộ ương  quan  được  đánh  giá  căn  c  ứ tr  ị tuy t đ i  ệ ố c aủ  rxy theo b ng sau:ả

Mức độ tương quan

b   Tung đ  góc (Intercept)≅ ộ

a   H  s  góc / đ  d c (Slope) ≅ ệ ố ộ ố  xu hướng

rxy   H  s  t≅ ệ ố ương quan (coefficient of correlation)

Tham kh o sách Qu n tr  s n xu t ả ả ị ả ấ

2 2

2 2

x x

y x y

x x

n x

y x n y

x a

2 2

2

x n

y x

xy n

rxy

Ví dụ: Dự báo nhu cầu bánh trung thu năm 2015

2  Đ  th ồ ị

B1 Tạo đồ thị dạng Scatter

B2 Click phải vào data series , chọn Add

Trendline

2  Đ  th ồ ị

B3 Tuỳ chọn hiển thị trong Trendline Options

2  Đ  th ồ ị

Chọn kiểu đường thẳng

Tùy chọn hiển thị phương trình

hồi quy

Tùy chọn hiển thị

hệ số R2

B4 Nhấn Close để kết thúc

2  Đ  th ồ ị

Ví dụ: Dự báo nhu cầu bánh trung thu năm 2015

• Mean Square Deviation

• Bias

• Mean Absolute Deviation

4.3. L a ch n mô hình d  báo  ự ọ ự

4.3.2. Quan h  nhân qu  ??? ệ ả

Số liệu thống kê giữa các thành phố cho thấy

có quan hệ giữa số lượng cảnh sát với số

lượng tội phạm

 Ta có thể kết luận: Cảnh sát nhiều thì tội

phạm nhiều  để giảm tội phạm cần giảm 

4.2.3. Tính th i v  (Seasonal Patterns) ờ ụ

Thời vụ là thời gian lặp lại

Ví dụ: Tuần là 1 thời vụ có 7 giai đoạn, năm là thời vụ

có 4 giai đoạn